GMOCAT：一种用于计算机化自适应测试的图增强多目标方法
信息检索
2023-10-12 v1
摘要
计算机化自适应测试（CAT）是指一种在线系统，它基于学生的历史作答记录，自适应地为具有不同能力的学生选择最合适的问题。大多数 CAT 方法仅关注准确预测学生能力这一质量目标，而忽视了概念多样性或题目曝光控制，这些是确保 CAT 性能与有效性的重要考量。此外，学生的作答记录包含题目与知识点之间有价值的关系信息。先前的方法忽略了这种关系信息，导致选择了次优的测试题目。为应对这些挑战，我们提出了一种用于 CAT 的图增强多目标方法（GMOCAT）。首先，将质量、多样性和新颖性三个目标引入 CAT 的标量化多目标强化学习框架中，它们分别对应于提高预测精度、增加概念多样性和降低题目曝光。我们使用 Actor-Critic 推荐器选择题目，并通过标量化函数同时优化三个目标。其次，我们利用图神经网络学习题目与概念的关系感知嵌入。这些嵌入能够在题目与概念的关系图中聚合邻域信息。我们在三个真实教育数据集上进行了实验，结果表明 GMOCAT 不仅在能力预测上优于最先进的方法，而且在提升概念多样性和缓解题目曝光方面也取得了优越性能。我们的代码可在 https://github.com/justarter/GMOCAT 获取。
引用
@article{arxiv.2310.07477,
title = {GMOCAT: A Graph-Enhanced Multi-Objective Method for Computerized Adaptive Testing},
author = {Hangyu Wang and Ting Long and Liang Yin and Weinan Zhang and Wei Xia and Qichen Hong and Dingyin Xia and Ruiming Tang and Yong Yu},
journal= {arXiv preprint arXiv:2310.07477},
year = {2023}
}
备注
KDD23