探索贝叶斯深度学习在 MOOC 论坛中紧急教师干预需求的应用
计算与语言
2021-11-16 v2 人工智能
摘要
大规模开放在线课程（MOOC）因其极大的灵活性已成为受欢迎的在线学习选择。然而，由于学习者数量庞大且背景多样，提供实时支持十分费力。学习者可能在相应 MOOC 论坛中发布其困惑与挣扎的感受，但因帖子量大且 MOOC 教师工作负荷高，教师不太可能识别出所有需要干预的学习者。该问题近来作为自然语言处理（NLP）问题被研究，并已知具有挑战性，源于数据不平衡与任务的复杂本质。在本文中，我们首次探索基于学习者文本帖子的贝叶斯深度学习，采用两种方法：蒙特卡洛 Dropout 与变分推断，作为评估学习者帖子对教师干预需求的新方案。我们在不同预测应用情形下，将基于所提方法与概率建模的模型与基线非贝叶斯模型进行比较。结果表明贝叶斯深度学习提供了传统神经网络未给出的关键不确定性度量。这为 AI 增添了更多可解释性、信任与鲁棒性，在教育类应用中至关重要。此外，它能取得与非概率神经网络相似或更好的性能，并给出更低的方差。
引用
@article{arxiv.2104.12643,
title = {Exploring Bayesian Deep Learning for Urgent Instructor Intervention Need in MOOC Forums},
author = {Jialin Yu and Laila Alrajhi and Anoushka Harit and Zhongtian Sun and Alexandra I. Cristea and Lei Shi},
journal= {arXiv preprint arXiv:2104.12643},
year = {2021}
}