模型DKT / Deep Knowledge Tracing
深度知识追踪
基于神经网络的知识追踪模型，利用学生历史答题序列通过RNN或Transformer架构直接预测下一题答对概率，与BKT不同，不显式建模知识掌握状态，而是预测行为结果概率
时间轴 (近 90 天)
10月4日
BKT估计的是潜在掌握概率（latent mastery probability），而神经模型估计的是下一题答对的概率（probability of a correct next response）
待验证50%
10月4日
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
待验证50%
10月4日
当底层KT模型发生变化（如从BKT迁移到DKT）或教学优先级调整时，掌握度阈值必须重新校准
待验证50%
9月8日
自适应学习系统的核心技术包括深度知识追踪（DKT）、贝叶斯知识追踪（BKT）等机器学习方法及项目反应理论（IRT）
待验证50%