A Question-centric Multi-experts Contrastive Learning Framework for Improving the Accuracy and Interpretability of Deep Sequential Knowledge Tracing Models

要約

知識追跡 (KT) は、過去の学習プロセスを分析することで生徒の将来の成績を予測する上で重要な役割を果たします。
ディープ ニューラル ネットワーク (DNN) は、KT 問題の解決に大きな可能性を示しています。
ただし、深層学習技術を適用して KT プロセスをモデル化する場合には、依然としていくつかの重要な課題が存在します。
最初の課題は、質問の個々の情報をモデル化に取り込むことにあります。
同じ知識コンポーネント (KC) を共有する質問にもかかわらず、同質な質問に対する学生の知識の獲得は大きく異なる可能性があるため、これは非常に重要です。
2 番目の課題は、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にあります。
実際のアプリケーションでは、モデル パラメーターの完全な透明性と解釈可能性は必要ではありませんが、教師が解釈可能な方法でモデルの予測結果を提示することが重要です。
これにより、教師は予測結果の背後にある理論的根拠を受け入れ、それを活用して教育活動や生徒に合わせた学習戦略を設計できるようになります。
ただし、深層学習技術に固有のブラックボックスの性質により、教師がモデルの予測結果を完全に受け入れるにはハードルが生じることがよくあります。
これらの課題に対処するために、私たちは、Q-MCKT と呼ばれる、KT 用の質問中心の複数専門家対照学習フレームワークを提案します。
すべてのデータセットとコードは、Web サイト (https://github.com/rattlesnakey/Q-MCKT) で提供されています。

要約(オリジナル)

Knowledge tracing (KT) plays a crucial role in predicting students’ future performance by analyzing their historical learning processes. Deep neural networks (DNNs) have shown great potential in solving the KT problem. However, there still exist some important challenges when applying deep learning techniques to model the KT process. The first challenge lies in taking the individual information of the question into modeling. This is crucial because, despite questions sharing the same knowledge component (KC), students’ knowledge acquisition on homogeneous questions can vary significantly. The second challenge lies in interpreting the prediction results from existing deep learning-based KT models. In real-world applications, while it may not be necessary to have complete transparency and interpretability of the model parameters, it is crucial to present the model’s prediction results in a manner that teachers find interpretable. This makes teachers accept the rationale behind the prediction results and utilize them to design teaching activities and tailored learning strategies for students. However, the inherent black-box nature of deep learning techniques often poses a hurdle for teachers to fully embrace the model’s prediction results. To address these challenges, we propose a Question-centric Multi-experts Contrastive Learning framework for KT called Q-MCKT. We have provided all the datasets and code on our website at https://github.com/rattlesnakey/Q-MCKT.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google