Automated discovery of symbolic laws governing skill acquisition from naturally occurring data

要約

スキルの獲得は複数の心理的プロセスを含むため、認知心理学の重要な研究分野です。
実験パラダイムの下で発見された法則には議論の余地があり、一般化可能性がありません。
本論文は、大規模なトレーニングログデータからスキル学習の法則を解明することを目的としています。
観察できない認知状態と検索におけるアルゴリズムの爆発の問題に取り組むために、2 段階のアルゴリズムが開発されました。
最初に、深層学習モデルを使用して学習者の認知状態を判断し、特徴の重要性を評価します。
その後、シンボリック回帰アルゴリズムを利用して、ニューラル ネットワーク モデルを解析して代数方程式を生成します。
シミュレートされたデータの実験結果は、提案されたアルゴリズムが継続的なフィードバック設定で、一定のノイズ範囲内でさまざまな事前設定の法則を正確に復元できることを示しています。
提案手法を Lumosity トレーニングデータに適用すると、適応度の点で従来モデルや最新モデルと比較して優れたパフォーマンスが実証されます。
この結果は、スキル習得の法則の 2 つの新しい形式が発見されたことを示していますが、以前の発見のいくつかは再確認されました。

要約(オリジナル)

Skill acquisition is a key area of research in cognitive psychology as it encompasses multiple psychological processes. The laws discovered under experimental paradigms are controversial and lack generalizability. This paper aims to unearth the laws of skill learning from large-scale training log data. A two-stage algorithm was developed to tackle the issues of unobservable cognitive states and algorithmic explosion in searching. Initially a deep learning model is employed to determine the learner’s cognitive state and assess the feature importance. Subsequently, symbolic regression algorithms are utilized to parse the neural network model into algebraic equations. The experimental results of simulated data demonstrate that the proposed algorithm can accurately restore various preset laws within a certain range of noise, in continues feedback setting. Application of proposed method to Lumosity training data demonstrates superior performance compared to traditional and latest models in terms of fitness. The results indicate the discovery of two new forms of skill acquisition laws, while some previous findings have been reaffirmed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google