Enhancing Knowledge Tracing with Concept Map and Response Disentanglement

要約

急速に進歩する教育テクノロジーの分野では、生徒の知識状態を正確に追跡して理解することが重要になります。
従来のナレッジ トレーシング (KT) モデルは、主に質問に対する 2 つの応答 (つまり、正解と不正解) に焦点を当ててきました。
残念ながら、特に多肢選択問題 (MCQ) の場合、生徒の実際の回答選択肢の重要な情報がほとんど見落とされており、各学習者の誤解や知識のギャップが明らかになる可能性があります。
これらの課題に取り組むために、ナレッジ トレーシング (CRKT) モデルを強化するためのコンセプト マップ駆動の応答分解手法を提案します。
CRKT は、単に正解か不正解かを識別するだけでなく、回答の選択肢を直接活用して、異なる不正解の選択肢を含む回答を区別することで、KT に利益をもたらします。
さらに、学生が選択しなかった選択肢から洞察を得るために、もつれを解いた表現を採用することにより、選択されなかった回答の新しい使用方法を紹介します。
さらに、CRKT は学生の知識状態を概念レベルで追跡し、それらの間の関係を表す概念マップをエンコードして、目に見えない概念をより適切に予測します。
このアプローチは実用的なフィードバックを提供し、学習体験を向上させることが期待されます。
複数のデータセットにわたる包括的な実験により、CRKT の有効性が実証され、予測精度と解釈可能性において最先端のモデルを上回る優れたパフォーマンスが達成されています。

要約(オリジナル)

In the rapidly advancing realm of educational technology, it becomes critical to accurately trace and understand student knowledge states. Conventional Knowledge Tracing (KT) models have mainly focused on binary responses (i.e., correct and incorrect answers) to questions. Unfortunately, they largely overlook the essential information in students’ actual answer choices, particularly for Multiple Choice Questions (MCQs), which could help reveal each learner’s misconceptions or knowledge gaps. To tackle these challenges, we propose the Concept map-driven Response disentanglement method for enhancing Knowledge Tracing (CRKT) model. CRKT benefits KT by directly leveraging answer choices–beyond merely identifying correct or incorrect answers–to distinguish responses with different incorrect choices. We further introduce the novel use of unchosen responses by employing disentangled representations to get insights from options not selected by students. Additionally, CRKT tracks the student’s knowledge state at the concept level and encodes the concept map, representing the relationships between them, to better predict unseen concepts. This approach is expected to provide actionable feedback, improving the learning experience. Our comprehensive experiments across multiple datasets demonstrate CRKT’s effectiveness, achieving superior performance in prediction accuracy and interpretability over state-of-the-art models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google