知识追踪中端到端因果发现的概念模型
机器学习
2023-07-20 v2 计算机与社会
摘要
在本文中，我们向解决知识追踪中的因果发现问题迈出了初步一步，即从真实世界学生作答数据中找出不同技能之间的潜在因果关系。该问题十分重要，因为它有可能帮助我们理解不同技能间的因果关系而无需大量A/B测试，从而潜在地帮助教育者根据技能先修信息设计更好的课程。具体而言，我们提出了一种概念性解决方案，即在改进的深度知识追踪模型中引入一种新颖的因果门控循环单元（GRU）模块，该模块使用i)可学习的排列矩阵用于技能间的因果排序，以及ii)可选的可学习下三角矩阵用于技能间的因果结构。我们还详述了如何以端到端、可微分的方式学习模型参数。我们的方案在NeurIPS 2022教育学习路径因果洞察挑战赛的任务3中名列前茅。由于真实因果结构尚未公开，无法进行详细的本地评估，我们详述了在挑战赛公开排行榜上评估的初步实验。
引用
@article{arxiv.2305.16165,
title = {A Conceptual Model for End-to-End Causal Discovery in Knowledge Tracing},
author = {Nischal Ashok Kumar and Wanyong Feng and Jaewook Lee and Hunter McNichols and Aritra Ghosh and Andrew Lan},
journal= {arXiv preprint arXiv:2305.16165},
year = {2023}
}
备注
16th International Conference on Educational Data Mining (EDM 2023)