我们需要深度学习吗？基于大数据知识追踪的研究
机器学习
2021-01-22 v1 人工智能
摘要
交互式教育系统（IES）使研究者能够追踪学生在不同技能上的知识水平，并为其提供更好的学习路径建议。为了评估学生知识并进一步预测其未来表现，利用 IES 捕获的学生交互数据来开发学习者表现模型的兴趣正在迅速增长。此外，随着计算系统的进步，这些 IES 系统捕获的数据量也在增加，使得深度学习模型得以与传统逻辑回归模型和马尔可夫过程竞争。然而，在具有数百万学生交互的当前规模数据集上，这些深度模型是否优于传统模型尚缺乏实证证据。在本工作中，我们采用教育领域公开可用的最大学生交互数据集 EdNet，以理解深度与传统模型预测学生未来表现的准确程度。我们的工作通过大量实验观察到，具有精心设计特征的逻辑回归模型优于深度模型。我们随后基于局部可解释模型无关解释（LIME）进行解释性研究，以理解各种特征对表现最佳模型预测的影响。
引用
@article{arxiv.2101.08349,
title = {Do we need to go Deep? Knowledge Tracing with Big Data},
author = {Varun Mandalapu and Jiaqi Gong and Lujie Chen},
journal= {arXiv preprint arXiv:2101.08349},
year = {2021}
}
备注
9 Pages, 4 figures, AAAI Workshop on AI in Education (Imagining Post-COVID Education with AI)