增强项目反应理论用于认知诊断
人工智能
2019-12-03 v3 计算与语言
摘要
认知诊断是许多教育应用（例如计算机自适应测试和认知作业）中一项基础且关键的任务。项目反应理论（IRT）是一种经典的认知诊断方法，可提供可解释的参数（即学生潜在特质、题目区分度和难度）用于分析学生表现。然而，传统 IRT 忽略了题目文本中的丰富信息，无法诊断知识点掌握程度，且对于仅出现数次题目的参数诊断不准确。为此，本文提出一种通用的深度项目反应理论（DIRT）框架，通过利用深度学习从题目文本中提取语义表示来增强传统 IRT 用于认知诊断。在 DIRT 中，我们首先使用掌握度向量表示学生在知识点上的掌握情况，并通过 Word2Vec 将题目文本和知识点嵌入为稠密向量。然后，我们设计深度诊断模块，通过深度学习技术诊断传统 IRT 中的参数。最后，利用诊断出的参数，将其输入 IRT 的类逻辑斯蒂公式以预测学生表现。在真实数据上的大量实验结果清楚地展示了 DIRT 框架的有效性和可解释性。
引用
@article{arxiv.1905.10957,
title = {Enhancing Item Response Theory for Cognitive Diagnosis},
author = {Song Cheng and Qi Liu},
journal= {arXiv preprint arXiv:1905.10957},
year = {2019}
}
备注
Accepted by CIKM'2019. https://github.com/chsong513/DIRT