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

要約

ナレッジトレース（KT）は、生徒の過去の学習過程を分析することで、将来の成績を予測する上で重要な役割を果たす。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る。しかし、ディープラーニング技術をKTプロセスのモデル化に適用する際には、まだいくつかの重要な課題が存在する。最初の課題は、質問の個別情報をモデリングに取り込むことにある。これは、同じ知識要素（KC）を共有する問題にもかかわらず、同種の問題に対する学生の知識習得が大きく異なる可能性があるため、非常に重要です。2つ目の課題は、既存のディープラーニングベースのKTモデルからの予測結果の解釈にあります。実世界のアプリケーションでは、モデルのパラメータを完全に透明化し、解釈可能にする必要はないかもしれませんが、教師が解釈しやすい方法でモデルの予測結果を提示することは非常に重要です。これにより、教師は予測結果の背後にある根拠を受け入れ、生徒のための教育活動や学習戦略を設計するために活用することができます。しかし、ディープラーニング技術特有のブラックボックス的な性質は、教師がモデルの予測結果を十分に受け入れるためのハードルとなることが多い。このような課題に対処するために、我々はQ-MCKTと呼ばれるKTのための質問中心型マルチ専門家対照学習フレームワークを提案する。全てのデータセットとコードをウェブサイトhttps://github.com/rattlesnakey/Q-MCKT。

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, DeepL