待验证50% 置信事实精确时间

深度知识追踪（DKT）等神经网络模型不显式建模掌握这一潜在状态，而是通过循环神经网络或Transformer等架构直接预测学生下一题答对的概率

1

来源数

50%

置信度

长期有效

时效性

2026/10/4

首次发现

来源

掌握度阈值不能一刀切：知识追踪模型的隐形陷阱

涉及实体

深度知识追踪concept Transformertechnology

相关事实

待验证传统自动驾驶感知模型主要依赖卷积神经网络和 Transformer 架构进行目标检测、语义分割和深度估计等任务75% 相似待验证神经符号规划方向尝试用神经网络学习动作模型，同时保留符号规划器的推理结构以兼得两者之长74% 相似待验证SPLADE 是一种学习型稀疏检索模型，通过神经网络为文档生成稀疏向量表示，可在倒排索引上高效运行73% 相似待验证大模型（LLM）是基于Transformer架构、经过海量数据预训练的深度神经网络模型73% 相似待验证研究人员利用图神经网络GNN学习增殖包层中子学仿真，可对任意几何参数组合的TBR值实现亚秒级预测，预测误差控制在1%以内72% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/971852

API

curl https://kongchang.com/api/v1/knowledge/claims/971852

MCP

get_claim(id=971852)