KARL: Knowledge-Aware Retrieval and Representations aid Retention and Learning in Students

要約

フラッシュカード スケジューラーは、1) 生徒が知っているフラッシュカードを予測する生徒モデルに依存するツールです。
2) これらの予測に基づいてカードをスケジュールするための指導方針。
しかし、既存の学生モデルは、学生の過去の回答などのフラッシュカード レベルの機能のみを使用し、フラッシュカードの意味上のつながりを無視しています。
Deep Knowledge Tracing (DKT) モデルは、言語モデルとの意味関係をキャプチャできますが、非効率で、評価用のコンテンツが豊富なデータセットが不足しており、堅牢な教育ポリシーが必要です。
これらの問題に対処するために、私たちは、効率的かつ正確な生徒の想起予測のために検索と BERT 埋め込みを使用する DKT にインスピレーションを得た生徒モデルである KARL を設計しました。
KARL をテストするために、トリビアの質問に関するさまざまな学習履歴の新しいデータセットを収集します。
KARL は、AUC とキャリブレーション誤差において既存の学生モデルよりも優れています。
最後に、DKT モデルの予測力を利用して KARL をオンラインで展開する新しい教育ポリシーを提案します。
27 人の学習者と 32 の 6 日間の学習軌跡に基づいて、KARL は中期的な教育学習を強化できることを示し、スケジュール設定におけるその有効性を証明しました。

要約(オリジナル)

Flashcard schedulers are tools that rely on 1) student models to predict the flashcards a student knows; and 2) teaching policies to schedule cards based on these predictions. Existing student models, however, only use flashcard-level features, like the student’s past responses, ignoring the semantic ties of flashcards. Deep Knowledge Tracing (DKT) models can capture semantic relations with language models, but are inefficient, lack content-rich datasets for evaluation, and require robust teaching policies. To address these issues, we design KARL, a DKT-inspired student model that uses retrieval and BERT embeddings for efficient and accurate student recall predictions. To test KARL, we collect a new dataset of diverse study history on trivia questions. KARL bests existing student models in AUC and calibration error. Finally, we propose a novel teaching policy that exploits the predictive power of DKT models to deploy KARL online. Based on 27 learners and 32 6-day study trajectories, KARL shows the ability to enhance medium-term educational learning, proving its efficacy for scheduling.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google