Uncertainty-aware Knowledge Tracing

要約

知識追跡 (KT) は教育評価において重要であり、学生の学習状態を描写し、学生の科目の習熟度を評価することに重点を置いています。
最新のオンライン学習プラットフォーム、特に大規模なオープン オンライン コース (MOOC) の台頭により、豊富なインタラクション データにより KT テクノロジーの開発が大幅に進歩しました。
これまでの研究では、学生の知識状態を捉えるために決定論的表現が一般的に採用されていましたが、これでは学生との対話中の不確実性が無視され、学習プロセスにおける真の知識状態をモデル化できませんでした。
これを考慮して、学生の学習行動における状態分布の遷移を捉えるように設計されたワッサーシュタイン自己注意メカニズムを備えた、学生の相互作用における不確実性を表す確率的分布埋め込みを使用する不確実性認識知識追跡モデル (UKT) を提案します。
さらに、偶然の不確実性を意識した対比学習損失を導入し、さまざまなタイプの不確実性に対するモデルの堅牢性を強化します。
6 つの現実世界のデータセットに対する広範な実験により、UKT が KT 予測において既存の深層学習ベースのモデルを大幅に上回るだけでなく、学生の相互作用の不確実性の処理においても独自の利点を示すことが実証されました。

要約(オリジナル)

Knowledge Tracing (KT) is crucial in education assessment, which focuses on depicting students’ learning states and assessing students’ mastery of subjects. With the rise of modern online learning platforms, particularly massive open online courses (MOOCs), an abundance of interaction data has greatly advanced the development of the KT technology. Previous research commonly adopts deterministic representation to capture students’ knowledge states, which neglects the uncertainty during student interactions and thus fails to model the true knowledge state in learning process. In light of this, we propose an Uncertainty-Aware Knowledge Tracing model (UKT) which employs stochastic distribution embeddings to represent the uncertainty in student interactions, with a Wasserstein self-attention mechanism designed to capture the transition of state distribution in student learning behaviors. Additionally, we introduce the aleatory uncertainty-aware contrastive learning loss, which strengthens the model’s robustness towards different types of uncertainties. Extensive experiments on six real-world datasets demonstrate that UKT not only significantly surpasses existing deep learning-based models in KT prediction, but also shows unique advantages in handling the uncertainty of student interactions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google