3DG：一种利用生成式 AI 处理智能辅导系统稀疏学习者成绩数据的框架
计算机与社会
2024-02-06 v1 人工智能
机器学习
摘要
学习表现数据（如测验分数和尝试次数）对于理解学习者参与度和知识掌握水平至关重要。然而，从智能辅导系统收集的学习表现数据通常存在稀疏性问题，影响了学习者建模和知识评估的准确性。为了解决这一问题，我们引入了 3DG 框架（用于稠密化和生成的三维张量），这是一种将张量分解与先进生成模型（包括生成对抗网络和生成式预训练 Transformer）相结合的新方法，用于增强数据填补和扩增。该框架首先将数据表示为三维张量，捕获学习者、问题和尝试等维度。然后通过张量分解对数据进行稠密化，并使用生成式 AI 模型对其进行扩增，这些模型针对通过聚类识别出的个体学习模式进行了定制。将 3DG 框架应用于成人读写研究中心 AutoTutor 课程的数据，有效地生成了可扩展的、个性化的学习表现模拟。比较分析显示，在此情境下 GAN 的可靠性优于 GPT-4，突显了其在解决 ITSs 数据稀疏性挑战方面的潜力，并有助于个性化教育技术的发展。
引用
@article{arxiv.2402.01746,
title = {3DG: A Framework for Using Generative AI for Handling Sparse Learner Performance Data From Intelligent Tutoring Systems},
author = {Liang Zhang and Jionghao Lin and Conrad Borchers and Meng Cao and Xiangen Hu},
journal= {arXiv preprint arXiv:2402.01746},
year = {2024}
}