DAS3H：建模学生学习与遗忘以优化技能分布式练习的排程
计算机与社会
2019-05-17 v1 人工智能
应用统计
机器学习
摘要
间隔重复是认知科学文献中研究最多的学习策略之一。它在于在时间上分布对信息的接触，以改善长期记忆。为学生提供自适应且个性化的分布式练习排程比通用排程器更有益。然而，此类自适应排程器的适用性似乎仅限于纯记忆，例如闪卡或外语学习。在本文中，我们首先构建了当记忆涉及底层多项技能的应用时，优化自适应且个性化间隔重复排程器的研究问题。为此，我们选择依赖学生模型来推断任意技能或技能组合上的知识状态与记忆动态。我们认为，现有的知识追踪模型均未同时考虑记忆衰减与多项技能标注来预测学生表现。因此，我们提出了一种适用于我们研究问题的新的学生学习与遗忘模型：DAS3H构建于加性因子模型之上，并包含对条目所涉及技能上过去练习时间分布的表示。特别地，DAS3H允许不同技能的学习与遗忘曲线互不相同。最后，我们在三个真实世界教育数据集上提供了经验证据，表明DAS3H优于其他最先进的EDM模型。这些结果表明，同时纳入条目-技能关系与遗忘效应优于仅考虑其中之一的模型。
引用
@article{arxiv.1905.06873,
title = {DAS3H: Modeling Student Learning and Forgetting for Optimally Scheduling Distributed Practice of Skills},
author = {Benoît Choffin and Fabrice Popineau and Yolaine Bourda and Jill-Jênn Vie},
journal= {arXiv preprint arXiv:1905.06873},
year = {2019}
}
备注
10 pages, 1 figure, 6 tables, to appear at the 12th International Conference on Educational Data Mining (EDM 2019)