贝叶斯知识追踪
由Corbett和Anderson于1994年提出的知识追踪模型，将学生知识状态建模为隐藏的二值变量，通过初始掌握概率、学习率、猜测率和失误率四个参数描述学习过程，输出学生处于已掌握状态的后验概率
时间轴 (近 90 天)
智能辅导系统（ITS）的历史可追溯至20世纪70年代的计算机辅助教学，现代ITS结合了知识图谱、贝叶斯知识追踪和自然语言处理技术，能够对学生的问题解决过程进行逐步诊断
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）
贝叶斯知识追踪（BKT）对阈值变化相对不敏感，而神经网络模型随着阈值升高会变得明显更挑剔
贝叶斯知识追踪（BKT）由Corbett和Anderson于1994年提出
在测试的半数场景中，神经模型与BKT选出的阈值相差超过0.10
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
自适应学习系统通常采用项目反应理论(IRT)或贝叶斯知识追踪等算法来动态调整内容难度
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）
传统自适应学习平台如Knewton、DreamBox通常基于预设规则树或贝叶斯知识追踪模型（BKT），在固定内容空间内做路径选择
传统自适应学习平台如Knewton、DreamBox通常基于预设规则树或贝叶斯知识追踪模型（BKT）调整题目难度
全部知识事实 (10)
智能辅导系统（ITS）的历史可追溯至20世纪70年代的计算机辅助教学，现代ITS结合了知识图谱、贝叶斯知识追踪和自然语言处理技术，能够对学生的问题解决过程进行逐步诊断
50%待验证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）
50%待验证贝叶斯知识追踪（BKT）对阈值变化相对不敏感，而神经网络模型随着阈值升高会变得明显更挑剔
50%待验证贝叶斯知识追踪（BKT）由Corbett和Anderson于1994年提出
50%待验证在测试的半数场景中，神经模型与BKT选出的阈值相差超过0.10
50%待验证当底层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
50%待验证自适应学习系统通常采用项目反应理论(IRT)或贝叶斯知识追踪等算法来动态调整内容难度
50%待验证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）
50%待验证传统自适应学习平台如Knewton、DreamBox通常基于预设规则树或贝叶斯知识追踪模型（BKT），在固定内容空间内做路径选择
50%待验证传统自适应学习平台如Knewton、DreamBox通常基于预设规则树或贝叶斯知识追踪模型（BKT）调整题目难度
50%