本研究提出了AdvKT框架，旨在解决知识追踪模型在多步推理中的错误累积和数据稀疏性问题。通过对抗学习和数据增强，显著提升了智能辅导系统的推荐模型性能。

本研究提出了一种新的双通道难度感知知识追踪框架（DDKT），旨在解决知识追踪模型的冷启动、建模精度不足和决策透明性问题。该框架结合大语言模型与检索增强生成技术进行难度评估，并引入创新机制，实验结果显示其在性能和可解释性上表现优异。

本研究提出了一种新颖的知识追踪方法AAKT，通过分析历史交互数据有效表示学习者的知识状态，实证评估显示其性能优于现有模型，对个性化教育体验具有重要影响。

本研究提出了一种基于大型语言模型的个性化教育知识追踪框架LLM-KT，通过即插即用的指令整合知识与推理能力，显著提高了准确性，超越了20个基线模型，展示了其应用潜力。

本研究提出KCQRL框架，解决知识追踪中的概念依赖和语义忽视问题。通过大型语言模型自动标注知识概念，并用对比学习生成语义丰富的嵌入，提升模型有效性。在两个数学学习数据集上验证了其优越性能。

该论文系统回顾了知识追踪领域的文献，从早期到深度学习的最新进展，分析模型理论和数据集特征，阐明不同方法的差异，并讨论当前研究不足和未来方向。

该论文提出了一种新的核心框架来解决知识追踪中的答案偏差问题，并通过多个基准数据集的实验证明其有效性。

该论文综述了知识追踪领域的研究现状和差距，并提出了未来的研究和应用方向。

该论文提出了一个新的核心框架来解决知识追踪中的答案偏差问题，并通过实验证明其有效性。

该论文提出了一个新的CORE框架，用于解决知识追踪任务中的答案偏差问题。该框架从因果关系的角度出发，通过减去直接因果效应来进行debias推理。实验证明，该框架适用于现有的多种KT模型，并在三个基准数据集上表现出有效性。

该论文研究了知识追踪中的答案偏差问题，并提出了一种新的核心框架来减轻偏差。通过减去直接因果效应，该框架有效地进行了知识追踪。实验证明了该框架的有效性。