PELÁNEK, Radek. Bayesian knowledge tracing, logistic models, and beyond: an overview of learner modeling techniques. User Modeling and User-Adapted Interaction, 2017, roč. 27, 3-5, s. 313-350. ISSN 0924-1868. doi:10.1007/s11257-017-9193-2.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Bayesian knowledge tracing, logistic models, and beyond: an overview of learner modeling techniques
Autoři PELÁNEK, Radek (203 Česká republika, garant, domácí).
Vydání User Modeling and User-Adapted Interaction, 2017, 0924-1868.
Další údaje
Originální jazyk angličtina
Typ výsledku Článek v odborném periodiku
Obor 10201 Computer sciences, information science, bioinformatics
Stát vydavatele Německo
Utajení není předmětem státního či obchodního tajemství
Impakt faktor Impact factor: 2.808
Kód RIV RIV/00216224:14330/17:00099575
Organizační jednotka Fakulta informatiky
Doi http://dx.doi.org/10.1007/s11257-017-9193-2
UT WoS 000414997500001
Klíčová slova česky adaptivní učení; modelování studentů
Klíčová slova anglicky learner modeling; evaluation; adaptive learning
Změnil Změnil: RNDr. Pavel Šmerk, Ph.D., učo 3880. Změněno: 12. 4. 2018 06:14.
Anotace
Learner modeling is a basis of personalized, adaptive learning. The research literature provides a wide range of modeling approaches, but it does not provide guidance for choosing a model suitable for a particular situation. We provide a systematic and up-to-date overview of current approaches to tracing learners' knowledge and skill across interaction with multiple items, focusing in particular on the widely used Bayesian knowledge tracing and logistic models. We discuss factors that influence the choice of a model and highlight the importance of the learner modeling context: models are used for different purposes and deal with different types of learning processes. We also consider methodological issues in the evaluation of learner models and their relation to the modeling context. Overall, the overview provides basic guidelines for both researchers and practitioners and identifies areas that require further clarification in future research.
VytisknoutZobrazeno: 24. 2. 2020 00:54