回归基础：IRT的贝叶斯扩展在能力估计上优于神经网络
人工智能
2016-05-24 v2 机器学习
摘要
估计学生能力是基于计算机的学习系统的一项重要任务。我们将一系列基于IRT（项目反应理论）的能力估计方法与Deep Knowledge Tracing (DKT)——一种近期提出的、初始结果令人瞩目的循环神经网络模型——进行比较。我们使用两个公开可用和一个专有数据集，评估每个模型在给定先前响应时预测学生未来响应的表现。我们发现，在可训练的最细内容粒度层面上，基于IRT的方法在所有数据集上始终匹配或超越DKT。捕获题目分组结构的IRT层次化扩展总体表现最佳。当数据集包含学生响应模式中不可忽略的自相关时，IRT的时间扩展相比标准IRT提升了性能，而基于RNN的方法则没有。我们得出结论：基于IRT的模型为现有的基于RNN的学生交互数据模型提供了一种更简单、性能更优的替代方案，同时由于其作为贝叶斯概率模型的表述，还具备更强的可解释性和保证。
引用
@article{arxiv.1604.02336,
title = {Back to the Basics: Bayesian extensions of IRT outperform neural networks for proficiency estimation},
author = {Kevin H. Wilson and Yan Karklin and Bojian Han and Chaitanya Ekanadham},
journal= {arXiv preprint arXiv:1604.02336},
year = {2016}
}
备注
6 pages, 2 figures, Educational Data Mining 2016