来自概率发射的曲线拟合及其在动态项目反应理论中的应用
机器学习
2019-09-10 v1 机器学习
摘要
项目反应理论（IRT）模型广泛应用于心理测量与教育测量，部署于许多高风险测试如 GRE 能力测试。IRT 主要聚焦于估计在收集项目反应过程中保持静态的单一潜特质（如能力）。然而，在持续收集项目反应的当代场景（如大规模开放在线课程（MOOCs））中，关注点自然落在能力的动态上，从而使传统 IRT 模型的使用复杂化。我们提出 DynAEsti，一种对传统 IRT 期望最大化算法的扩展，允许能力作为随时间连续变化的曲线。在此过程中，我们开发了 CurvFiFE，一种新颖的非参数连续时间技术，处理扩展到更一般概率发射（而非仅是含噪数据点）的曲线拟合/回归问题。此外，为此我们开发了一种称为 grafting 的新颖技术，当其他流行技术如 Loopy Belief Propagation (LBP) 与 Variational Inference (VI) 失效时，它能成功近似由图模型表示的分布。DynAEsti 的性能通过仿真评估，我们取得了与静态能力场景下观测到的最优结果相当的表现。最后，DynAEsti 应用于一个纵向表现数据集（大师赛 18 洞锦标赛 80 年的竞技高尔夫），以展示其恢复人类表现关键属性及不同球洞异质特征的能力。CurvFiFE 与 DynAEsti 的 Python 代码公开于 github.com/chausies/DynAEstiAndCurvFiFE。此为我们的 ICDM 2019 论文的完整版。
引用
@article{arxiv.1909.03586,
title = {Curve Fitting from Probabilistic Emissions and Applications to Dynamic Item Response Theory},
author = {Ajay Shanker Tripathi and Benjamin W. Domingue},
journal= {arXiv preprint arXiv:1909.03586},
year = {2019}
}
备注
Full version of our IEEE International Conference on Data Mining (ICDM) 2019 paper. 10 pages