Learning states enhanced knowledge tracing: Simulating the diversity in real-world learning process

要約

ナレッジ トレーシング (KT) タスクは、過去のインタラクションに基づいて学習者の将来のパフォーマンスを予測することに重点を置いています。
知識状態は学習プロセスにおいて重要な役割を果たします。
ただし、知識状態は、演習の類似性、応答の信頼性、学習者の学習状態など、対話プロセスにおけるさまざまな学習要素の影響を受けることを考慮します。
以前のモデルには依然として 2 つの大きな制限があります。
まず、さまざまな複雑な理由によって生じる演習の違いと、推測行動によって生じる応答の信頼性の低さにより、現在回答されている演習に最も関連する過去の相互作用を見つけるのは困難です。
第二に、学習状態も知識状態に影響を与える重要な要素ですが、これまでの方法では常に無視されていました。
これらの問題に対処するために、私たちは Learning State Enhanced Knowledge Tracing (LSKT) という新しい方法を提案します。
まず、項目応答理論 (IRT) パラダイムに触発されて、インタラクションにおける潜在的な差異をシミュレートするために、粗粒度ビューから詳細粒度ビューまでの 3 つの異なる埋め込み手法を設計し、それらの比較分析を実行しました。
次に、学習者の学習プロセス中に変化する学習状態を捉えるための学習状態抽出モジュールを設計します。
次に、抽出された学習状態を利用して、より詳細な知識状態を取得できます。
4 つの現実世界のデータセットに関する実験結果は、私たちの LSKT メソッドが現在の最先端のメソッドよりも優れていることを示しています。

要約(オリジナル)

The Knowledge Tracing (KT) task focuses on predicting a learner’s future performance based on the historical interactions. The knowledge state plays a key role in learning process. However, considering that the knowledge state is influenced by various learning factors in the interaction process, such as the exercises similarities, responses reliability and the learner’s learning state. Previous models still face two major limitations. First, due to the exercises differences caused by various complex reasons and the unreliability of responses caused by guessing behavior, it is hard to locate the historical interaction which is most relevant to the current answered exercise. Second, the learning state is also a key factor to influence the knowledge state, which is always ignored by previous methods. To address these issues, we propose a new method named Learning State Enhanced Knowledge Tracing (LSKT). Firstly, to simulate the potential differences in interactions, inspired by Item Response Theory~(IRT) paradigm, we designed three different embedding methods ranging from coarse-grained to fine-grained views and conduct comparative analysis on them. Secondly, we design a learning state extraction module to capture the changing learning state during the learning process of the learner. In turn, with the help of the extracted learning state, a more detailed knowledge state could be captured. Experimental results on four real-world datasets show that our LSKT method outperforms the current state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google