基于生成对抗网络的稀疏学习绩效插值
机器学习
2024-09-23 v2 人工智能
摘要
学习绩效数据（例如智能辅导系统（ITSs）中问题的正确或错误响应）对于跟踪和评估学习者对知识的进度和掌握程度至关重要。然而，数据稀疏问题（ characterized by unexplored questions and missing attempts）会阻碍准确评估和在ITSs中提供有针对性的个人化指令。本文提出使用生成对抗性插值网络（GAIN）框架来插值稀疏学习绩效数据，将其重构为沿学习者、问题和尝试三个维度的三维（3D）张量表示。我们对GAIN方法进行定制化改造，其计算过程在3D张量空间中插值稀疏数据，通过卷积神经网络增强输入和输出层。该改造还采用最小二乘损失函数进行优化，并使输入输出的形状与问题-尝试矩阵在学习者维度上的维度一致。通过在AutoTutor、ASSISTments和MATHia等多个ITSs数据集上的大量实验，我们证明GAIN方法在插值准确性方面通常优于现有方法，如张量分解和其他基于生成对抗网络（GAN）的方法。该发现增强了基于AI的教育中综合学习数据建模和分析 capabilities。
引用
@article{arxiv.2407.18875,
title = {Generative Adversarial Networks for Imputing Sparse Learning Performance},
author = {Liang Zhang and Mohammed Yeasin and Jionghao Lin and Felix Havugimana and Xiangen Hu},
journal= {arXiv preprint arXiv:2407.18875},
year = {2024}
}