2009-2010 协助数据
你可以得到三个单独的文件。如果你用这些写论文，请给他们一个指向数据页面的链接。这些数据集包括提示和尝试的数量，但不包括操作级数据(即提示和尝试的确切顺序)。 Ryan Bakers Affect 这种准确的顺序通常对检测器的工作非常重要。
该文件包含来自上述两个数据集的数据，此外，它还包含没有相关问题集类型的数据。
多年来，教育数据挖掘领域一直在构建学生模型，拟合学生数据，预测学生表现。许多研究已经被使用 ASSISTment 数据来预测学生的表现。其中一些人正在预测学生的下一个表现，例如：协助模型:利用学生需要多少提示和尝试；其中一些是在时间间隔后预测学生的表现，例如在论文中：利用学生建模来估计学生的知识保留。
在个性化学生模型方面做出了努力。研究表明，模型拟合可以通过个性化学生参数来改进。
以下是该领域的应用 ASSISTment 一些数据工作示例：
Wheel-Spinning 是指学生可能发现很难从问题集中学习技能的情况。如何检测车轮旋转在智能辅导系统中很有用。
以前的工作已经显示出聚类学生在预测学生表现方面的一些好处。可以探索不同的聚类特征和不同的聚类方法，以更好地改进学生模型。
以下是使用 ASSISTment 数据完成的聚类工作的一些示例：
-
-
这些 id 是按时间顺序排列的，并且是指原始问题日志的 id。
-
-
-
两个不同的分配可以具有相同的序列 ID。每项作业都特定于一位教师/班级。
-
-
-
解决问题的学生的 ID。
-
-
-
ASSISTment 的 ID。ASSISTment 包含一个或多个问题。
-
-
-
问题的 ID。
-
-
-
1 = 主要问题
-
0 = 脚手架问题
-
-
-
1 = 第一次尝试正确
-
0 = 第一次尝试不正确，或寻求帮助。
-
-
-
学生尝试解决此问题的次数。
-
-
-
学生第一次响应的时间（以毫秒为单位）。
-
-
-
导师、测试模式、前测或后测
-
-
-
choose_1：多项选择（单选按钮）
-
代数：数学计算字符串（文本框）
-
fill_in：简单的字符串比较答案（文本框）
-
open_response：记录学生的回答，但他们的回答总是被标记为正确
-
-
-
问题集的内容 ID。分配相同问题集的不同分配将具有相同的序列 ID。
-
-
-
类 ID。
-
-
-
课堂作业页面上的作业位置。
-
-
-
线性 - 学生按预定顺序完成所有问题。
-
随机 - 学生完成所有问题，但每个学生都以不同的随机顺序出现问题。
-
精通 - 随机顺序；学生必须通过连续答对一定数量的问题（默认为 3 个）来“掌握”问题集，然后才能继续学习。
-
-
-
这是为了说明是否已复制序列。这将指向原始副本，如果尚未复制，则与 sequence_id 相同。
-
-
-
与问题关联的技能的 ID。
-
对于技能构建器数据集，同一数据记录的不同技能位于不同的行中。这意味着，如果学生回答了一个多技能问题，则该记录会被重复多次，并且每个重复项都标记有一项多技能。
-
对于非技能构建者数据集，同一数据记录的不同技能位于同一行，用逗号分隔。
-
-
-
与问题相关的技能名称。
-
对于技能构建器数据集，同一数据记录的不同技能位于不同的行中。这意味着，如果学生回答了一个多技能问题，则该记录会被重复多次，并且每个重复项都标记有一项多技能。
-
对于非技能构建者数据集，同一数据记录的不同技能位于同一行，用逗号分隔。
-
-
-
分配问题的老师的 ID。
-
-
分配问题的学校的 ID。
-
学生尝试解决此问题的次数。
-
关于这个问题的可能提示的数量。
-
学生重叠时间的时间（以毫秒为单位）。
-
ASSISTment 的模板 ID。具有相同模板 ID 的 ASSISTments 有类似的问题。
-
多项选择题的答案 ID。
-
填写问题的答案文本。
-
第一个动作的类型：尝试或请求提示。
-
-
学生是否要求所有提示。
-
-
学生必须练习此技能的机会数量。
-
对于技能构建者数据集，同一数据记录的不同技能的机会位于不同的行中。这意味着，如果学生回答多技能问题，则此记录会重复多次，并且每次重复都标记有多技能之一和相应的机会计数。
-
对于非技能构建者数据集，同一数据记录的不同技能的机会在同一行，用逗号分隔。
-
学生必须练习此技能的机会数量，仅计算原始问题。
-
对于技能构建者数据集，同一数据记录的不同技能的原始机会位于不同的行中。这意味着，如果学生回答多技能问题，则此记录会重复多次，并且每次重复都标记有多技能之一和相应的原始机会计数。
-
对于非技能构建者数据集，同一数据记录的不同技能的原始机会在同一行，用逗号分隔。
-
-
这个数据集【11】 是 2009 年期间在教育平台 ASSIST MENTS 上收集的。这个平台提供了高中的数学习题。 当这个数据集第一次发布时，它包含重复的记录，因为 一些使用这个数据集的论文有不可靠的结果【12】 。从那 时起，一个更新的版本已经发布，没有错误的重复，本文 的实验中使用了更新的版本。数据集包含两种不同的 交互模式的数据集：skill- builder 和 non- skill- builder 。 在实验中使用 skill-builder 数据集，因为在这个数据集 中，每个互动都被标记为一个独特的技能 ID ，这使得预 处理更加简单。就像在DKVMN 论文中一样，丢弃没有 技能名称的记录，更新后的数据集包含 4 151 名学生， 110个练习标签， 325 637 个互动。该数据集也收集自 2015 年的 ASSISTMENTS 教育 平台，与 2009 年的数据集不同，它来自一个交互模式的 记录，所有这些记录都被使用。在预处理工程中，删除 了正确的值不是1 或 0 的记录，剩下的数据集包含 19 840 名学生、100 个练习标记和 683 801 个交互。这个数据集【13】 是从大学的工程力学课程中收集 的。在力学系统中，每个练习都包含多个步骤。由于此 数据集包含相对较少的不同练习，因此将练习题的每个 步骤作为模型的单独输入。也就是说，练习 ID 和步骤 ID 一起充当输入，因此相同练习的不同步骤将被视为 单独的输入 ID 。该数据集包含 333 名学生、 1 223 个练 习标签和189 297 个交互。该数据集【14】 取自 2015 年 JUNYI 学院的交互日志， 完整的数据集包含 25 万名学生的日志，以及超过 2 500 万的交互。为了减少所需的计算时间，在实验中，从这 个数据集中随机选择了10 000 名学生来使用，在选择的 子样本中有720 个练习和 2 122 314 个交互。
-
参考文献[11] FENG M ， HEFFERNAN N ， KOEDINGER K.Addressing the assessment challenge with an online system that tutors as it assesses[J].User Modeling and UserAdapted Interaction， 2009 ， 19 （3）： 243-266.[12] XIONG X ， ZHAO S ， VAN INWEGEN E G ， et al.Going deeper with deep knowledge tracing[C]//Proceedings of the 9th International Conference on Educational Data Mining， 2016.[13] KOEDINGER K R ， BAKER R S J ， CUNNINGHAM K ， et al.A data repository for the EDM community： the PSLC datashop[J].Handbook of Educational Data Mining， 2010 ， 43 ： 43-56.[14] CHANG H S ， HSU H J ， CHEN K T.Modeling exercise relationships in e-learning： a unified approach[C]// Proceedings of EDM， 2015 ： 532-535.