利用离散变分推断实现教育中的准确预测
人工智能
2025-10-01 v2
摘要
社会不平等最大的驱动因素之一是不平等的个人辅导获取机会，富裕个体能够负担得起，而大多数人则无法负担。经济实惠、有效的 AI 导师提供了一个可扩展的解决方案。我们聚焦于自适应学习，预测学生是否会正确回答一个问题，这是任何有效辅导系统的关键组成部分。然而，许多平台难以实现高预测准确率，尤其是在数据稀疏的环境中。为此，我们发布了迄今为止最大的专业评分正式数学考试答题开放数据集。我们引入了一个根植于项目反应理论（IRT）的概率建模框架，实现了超过 80% 的准确率，为正式考试试卷的数学预测准确率设立了新的基准。进一步地，我们的协同过滤模型结合了主题级别的技能特征，但揭示了一个令人惊讶且具有教育意义的重要发现：仅需要一个单一的潜在能力参数即可实现最大预测准确率。我们的主要贡献在于推导并实现了一个新颖的离散变分推断框架，在低数据环境中实现了最高预测准确率，并超越了所有经典的 IRT 和矩阵分解基线。
引用
@article{arxiv.2509.23484,
title = {Accurate Predictions in Education with Discrete Variational Inference},
author = {Tom Quilter and Anastasia Ilick and Karen Poon and Richard Turner},
journal= {arXiv preprint arXiv:2509.23484},
year = {2025}
}