Improving Interpretability of Deep Sequential Knowledge Tracing Models with Question-centric Cognitive Representations

要約

ナレッジ トレーシング (KT) は、学生の過去の学習プロセスを観察することで、学生の将来の成績を予測するための重要な手法です。
ディープ ニューラル ネットワークの強力な表現能力により、ディープ ラーニング技術を使用して KT 問題を解決することにより、目覚ましい進歩が遂げられました。
既存のアプローチの大部分は、質問が同じ知識コンポーネントのセットを共有する場合、質問は同等の貢献をするという \emph{同種の質問} の仮定に依存しています。
残念ながら、この仮定は実際の教育シナリオでは不正確です。
さらに、既存の深層学習ベースの KT モデルからの予測結果を解釈することは非常に困難です。
したがって、この論文では、上記の課題に対処するための質問中心の解釈可能な KT モデルである QIKT を紹介します。
提案された QIKT アプローチは、質問中心の知識獲得モジュールと質問中心の問題解決モジュールから共同で学習される質問に敏感な認知表現を使用して、学生の知識状態のバリエーションをきめ細かいレベルで明示的にモデル化します。
一方、QIKT は、アイテム応答理論に基づく予測レイヤーを利用して、解釈可能な予測結果を生成します。
提案された QIKT モデルは、3 つの公共の現実世界の教育データセットで評価されます。
結果は、私たちのアプローチが KT 予測タスクで優れていることを示しており、モデルの解釈可能性が向上した予測精度の点で、広範囲のディープ ラーニング ベースの KT モデルよりも優れています。
再現可能な結果を​​得るために、\url{https://pykt.org/} ですべてのデータセットとコードを提供しています。

要約(オリジナル)

Knowledge tracing (KT) is a crucial technique to predict students’ future performance by observing their historical learning processes. Due to the powerful representation ability of deep neural networks, remarkable progress has been made by using deep learning techniques to solve the KT problem. The majority of existing approaches rely on the \emph{homogeneous question} assumption that questions have equivalent contributions if they share the same set of knowledge components. Unfortunately, this assumption is inaccurate in real-world educational scenarios. Furthermore, it is very challenging to interpret the prediction results from the existing deep learning based KT models. Therefore, in this paper, we present QIKT, a question-centric interpretable KT model to address the above challenges. The proposed QIKT approach explicitly models students’ knowledge state variations at a fine-grained level with question-sensitive cognitive representations that are jointly learned from a question-centric knowledge acquisition module and a question-centric problem solving module. Meanwhile, the QIKT utilizes an item response theory based prediction layer to generate interpretable prediction results. The proposed QIKT model is evaluated on three public real-world educational datasets. The results demonstrate that our approach is superior on the KT prediction task, and it outperforms a wide range of deep learning based KT models in terms of prediction accuracy with better model interpretability. To encourage reproducible results, we have provided all the datasets and code at \url{https://pykt.org/}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google