通过扩散模型增强深度知识追踪以实现个性化自适应学习
计算机与社会
2024-05-09 v1 人工智能
机器学习
摘要
与循证教学等教学法不同，个性化自适应学习（PAL）通过密切监控每个学生的进度并根据其独特的知识和需求量身定制学习路径而脱颖而出。实现有效 PAL 的关键技术是知识追踪，它对学生的知识演变进行建模以预测其未来表现。基于这些预测，可以针对个人需求提供资源和学习路径的个性化推荐。深度学习的最新进展通过深度知识追踪（DKT）成功增强了知识追踪。本文引入生成式 AI 模型以进一步增强 DKT。生成式 AI 模型植根于深度学习，经过训练以生成合成数据，从而解决自然语言处理（NLP）和计算机视觉（CV）等领域各种应用中的数据稀缺挑战。本研究旨在解决学生记录中的数据短缺问题，以提升 PAL 的 DKT 性能。具体而言，它采用 TabDDPM（一种扩散模型）来生成合成教育记录，以扩充训练数据从而增强 DKT。通过在 ASSISTments 数据集上的大量实验验证了所提方法的有效性。实验结果表明，TabDDPM 生成的 AI 数据显著提高了 DKT 性能，尤其是在训练数据少而测试数据大的场景中。
引用
@article{arxiv.2405.05134,
title = {Enhancing Deep Knowledge Tracing via Diffusion Models for Personalized Adaptive Learning},
author = {Ming Kuo and Shouvon Sarker and Lijun Qian and Yujian Fu and Xiangfang Li and Xishuang Dong},
journal= {arXiv preprint arXiv:2405.05134},
year = {2024}
}