基于生成对抗插补网络的稀疏学习者表现数据生成式插补
机器学习
2025-04-15 v2 人工智能
摘要
智能辅导系统（ITSs）收集的学习者表现数据（如问题响应）对于建模和预测学习者的知识状态至关重要。然而，由于跳过或不完整尝试导致的缺失响应会造成数据稀疏，挑战了准确评估和个性化指令。为此，我们提出一种基于生成对抗性插补网络（GAIN）的生成式插补方法。该方法具有三维（学习者、问题和尝试）框架，灵活适应各种稀疏程度。通过卷积神经网络增强，并使用最小二乘损失函数优化，GAIN方法将输入与输出维度沿学习者维度对齐到问题-尝试矩阵。使用来自AutoTutor成人阅读理解（ARC）、ASSISTments和MATHia的数据集进行大量实验，表明该方法在不同尝试情景下，在插补准确性方面显著优于张量分解和其他GAN方法。贝叶斯知识追踪（BKT）进一步验证了插补数据的有效性，通过估计学习参数：初始知识（P(L0)）、学习率（P(T)）、猜测率（P(G)）和滑率（P(S)）。结果表明，插补后的数据提高了模型拟合程度， closely mirror original distributions，可靠地捕捉到底层学习行为。Kullback-Leibler（KL）偏差评估确认，插补数据保留了关键学习特征，呈现出最小偏差。这一发现凸显了GAIN作为ITSs中强大的插补工具的能力，缓解数据稀疏，支持自适应和个性化指令，最终实现更精确和响应迅速的学习者评估，提高教育成果。
引用
@article{arxiv.2503.18982,
title = {Generative Data Imputation for Sparse Learner Performance Data Using Generative Adversarial Imputation Networks},
author = {Liang Zhang and Jionghao Lin and John Sabatini and Diego Zapata-Rivera and Carol Forsyth and Yang Jiang and John Hollander and Xiangen Hu and Arthur C. Graesser},
journal= {arXiv preprint arXiv:2503.18982},
year = {2025}
}