Generative Adversarial Networks for Imputing Sparse Learning Performance

要約

インテリジェント個別指導システム (ITS) における質問に対する正解または不正解などの学習パフォーマンス データは、学習者の進歩と知識の習得を追跡および評価するために重要です。
しかし、未調査の質問や試行の欠落を特徴とするデータの希薄性の問題は、ITS 内での正確な評価と個別化された指導の提供を妨げています。
この論文では、敵対的代入ネットワーク (GAIN) フレームワークを使用して、学習者、質問、試行の次元にわたって 3 次元 (3D) テンソル表現に再構築されたスパースな学習パフォーマンス データを代入することを提案します。
カスタマイズされた GAIN ベースのメソッド計算プロセスは、3D テンソル空間にスパース データを代入し、入力層と出力層の畳み込みニューラル ネットワークによって大幅に強化されます。
この適応には、最適化のための最小二乗損失関数の使用も含まれており、入力と出力の形状を学習者の次元に沿った質問試行行列の次元に合わせます。
AutoTutor、ASSISTments、MATHia を含むさまざまな ITS の 6 つのデータセットに対する広範な実験を通じて、GAIN アプローチが代入精度の点でテンソル因数分解やその他の敵対的生成ネットワーク (GAN) ベースのアプローチなどの既存の手法よりも一般的に優れていることを実証しました。
この発見により、AI ベースの教育における包括的な学習データのモデリングと分析が強化されます。

要約(オリジナル)

Learning performance data, such as correct or incorrect responses to questions in Intelligent Tutoring Systems (ITSs) is crucial for tracking and assessing the learners’ progress and mastery of knowledge. However, the issue of data sparsity, characterized by unexplored questions and missing attempts, hampers accurate assessment and the provision of tailored, personalized instruction within ITSs. This paper proposes using the Generative Adversarial Imputation Networks (GAIN) framework to impute sparse learning performance data, reconstructed into a three-dimensional (3D) tensor representation across the dimensions of learners, questions and attempts. Our customized GAIN-based method computational process imputes sparse data in a 3D tensor space, significantly enhanced by convolutional neural networks for its input and output layers. This adaptation also includes the use of a least squares loss function for optimization and aligns the shapes of the input and output with the dimensions of the questions-attempts matrices along the learners’ dimension. Through extensive experiments on six datasets from various ITSs, including AutoTutor, ASSISTments and MATHia, we demonstrate that the GAIN approach generally outperforms existing methods such as tensor factorization and other generative adversarial network (GAN) based approaches in terms of imputation accuracy. This finding enhances comprehensive learning data modeling and analytics in AI-based education.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google