Deep-IRT：利用项目反应理论使基于深度学习的知识追踪可解释
机器学习
2019-04-29 v1 人工智能
机器学习
摘要
基于深度学习的知识追踪模型已被证明无需人工设计特征即可优于传统知识追踪模型，但其参数与表示长期以来被批评为不可解释。本文中，我们提出 Deep-IRT，它是项目反应理论（IRT）模型与基于称为动态键值记忆网络（DKVMN）的深度神经网络架构的知识追踪模型的综合，以使基于深度学习的知识追踪可解释。具体而言，我们使用 DKVMN 模型处理学生的学习轨迹并随时间估计学生能力水平与项目难度水平。然后，我们使用 IRT 模型利用估计的学生能力与项目难度来估计学生正确作答某项目的概率。实验表明，Deep-IRT 模型保留了 DKVMN 模型的性能，同时提供了对学生与项目的直接心理学解释。
引用
@article{arxiv.1904.11738,
title = {Deep-IRT: Make Deep Learning Based Knowledge Tracing Explainable Using Item Response Theory},
author = {Chun-Kit Yeung},
journal= {arXiv preprint arXiv:1904.11738},
year = {2019}
}