一种结合多模态融合与神经架构搜索的知识追踪方法
机器学习
2021-11-09 v1 计算机与社会
摘要
知识追踪是跟踪学生在给定学习领域中对不同技能的掌握程度的过程。它是构建自适应学习系统的关键组成部分之一，并已研究数十年。随着深度神经网络在其他领域的成功，我们看到了学习科学界研究者采取类似方法。然而，大多数现有的基于深度学习的知识追踪模型要么：(1) 仅使用正确/错误作答（忽略来自其他模态的有用信息），要么 (2) 通过领域专业知识和试错设计其网络架构。本文提出一种基于序列模型的优化方法，将多模态融合与神经架构搜索结合于一个框架内。当仅涉及单一模态时，常用的神经架构搜索技术可视为我们所提方法的一个特例。我们进一步提出使用一种称为时间加权曲线下面积（加权 AUC）的新指标来衡量序列模型随时间的表现。我们在两个公共真实数据集上评估了我们的方法，表明所发现的模型能够实现优越性能。与大多数现有工作不同，我们对模型预测进行了 McNemar 检验，结果具有统计显著性。
引用
@article{arxiv.2111.04497,
title = {An Approach for Combining Multimodal Fusion and Neural Architecture Search Applied to Knowledge Tracing},
author = {Xinyi Ding and Tao Han and Yili Fang and Eric Larson},
journal= {arXiv preprint arXiv:2111.04497},
year = {2021}
}