Quiz-based Knowledge Tracing

要約

タイトル：Quiz-based Knowledge Tracing
サマリー：
– Knowledge Tracing（KT）は、オンライン学習システム（OIS）内での異なる演習に対する個人の学習相互作用に基づいて、個人の知識状態を評価することを目的としており、個別化された学習ソースの推薦などの次の知能化サービスの決定を支援する上で重要です。
– 既存の研究者はKTについて広く研究し、多くの効果的な方法を開発していますが、ほとんどの研究は、学生の過去の相互作用が連続した一様な配列にあると想定しており、実際の相互作用の配列は明確な境界を持った一連のクイズに基づいて構成されています。
– この論文では、Quiz-based Knowledge Tracing（QKT）モデルを提案し、学生のクイズベースの学習相互作用に応じて、学生の知識状態を監視することを目的としています。
– QKTモデルは、クイズ内の相互作用が連続的であるため、同じまたは類似した知識コンセプトを持つことを利用し、隣接ゲートに続くグローバル平均プーリング層を設計して、クイズ内の短期的な知識影響を捉えます。
– さまざまなクイズは異なる知識コンセプトに焦点を当てる傾向があるため、QKTモデルは、ゲート再帰ユニットによるクイズ間の知識代替と、新しい最近意識型注目メカニズムを持つ自己注意型エンコーダによるクイズ間の知識補完度をそれぞれ測定します。
– 最終的に、異なるクイズ間の長期的な知識代替と補完度を統合して、学生の進化する知識状態を出力します。
– 3つの公開実世界データセットでの広範な実験結果は、既存の方法と比較してQKTが最先端の性能を発揮することを示しています。さらなる分析により、QKTがより効果的なクイズの設計に有望であることが確認されています。

要約(オリジナル)

Knowledge tracing (KT) aims to assess individuals’ evolving knowledge states according to their learning interactions with different exercises in online learning systems (OIS), which is critical in supporting decision-making for subsequent intelligent services, such as personalized learning source recommendation. Existing researchers have broadly studied KT and developed many effective methods. However, most of them assume that students’ historical interactions are uniformly distributed in a continuous sequence, ignoring the fact that actual interaction sequences are organized based on a series of quizzes with clear boundaries, where interactions within a quiz are consecutively completed, but interactions across different quizzes are discrete and may be spaced over days. In this paper, we present the Quiz-based Knowledge Tracing (QKT) model to monitor students’ knowledge states according to their quiz-based learning interactions. Specifically, as students’ interactions within a quiz are continuous and have the same or similar knowledge concepts, we design the adjacent gate followed by a global average pooling layer to capture the intra-quiz short-term knowledge influence. Then, as various quizzes tend to focus on different knowledge concepts, we respectively measure the inter-quiz knowledge substitution by the gated recurrent unit and the inter-quiz knowledge complementarity by the self-attentive encoder with a novel recency-aware attention mechanism. Finally, we integrate the inter-quiz long-term knowledge substitution and complementarity across different quizzes to output students’ evolving knowledge states. Extensive experimental results on three public real-world datasets demonstrate that QKT achieves state-of-the-art performance compared to existing methods. Further analyses confirm that QKT is promising in designing more effective quizzes.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI