多概念多变量 Elo 评级系统在医学生培训数据中的适应

准确估计题目难度和预测学生表现是优化数字学习平台教学指令并提升学习成果的关键因素。Elo 评级系统因能够通过估计题目难度和学生能力水平，同时提供计算效率和实时自适应优势而广为人知。本文提出了一种针对医学培训平台收集的数据，对多概念 Elo 评级系统变体进行的适应。该平台具有庞大的知识语料库、显著的概念间重叠、大型题库且用户与题目互动稀疏，以及高度多样化的用户群体，带来了独特挑战。我们的研究由两个主要目标驱动：首先全面评估 Elo 评级系统在该真实数据上的能力；其次解决在线评估中实现 Elo 评级系统时早期估计不准确的问题。我们的发现表明，Elo 评级系统在预测数字平台上用户的最终考试成绩方面，其准确率相当于经过充分验证的 logistic 回归模型。此外，结果还强调，使用历史数据初始化 Elo 评级估计显著减少误差并提升预测准确性，尤其是在学生互动的初始阶段。