Kappa学习：一种利用表现数据度量教育条目相似性的新方法
人工智能
2018-12-21 v1
摘要
自适应学习系统中的条目排序通常依赖于一个大型的交互式测评条目(题目)库，这些条目被分析为技能或知识成分(KCs)的层次结构。教育数据挖掘技术可用于分析学生表现数据，以优化条目到KCs的映射。使用条目相似性度量的标准方法将条目映射到KCs时，隐含假设依赖同一技能的学生表现应相似。该假设在潜在特质(对底层技能的掌握)在学生活动中相对固定时成立，如测试情境，这些度量主要在此情境下开发和应用。然而，在旨在实现学习且涉及如K6数学(包含多个子技能)等主题的自适应学习系统中，该假设不成立。本文提出一种称为Kappa学习(KL)的新条目相似性度量，旨在弥补这一缺口。KL在学习假设下识别条目间相似性，即学习者对底层技能的掌握随其完成条目而发生变化。我们在教授四年级分数的计算机化辅导系统数据(专家标注为 ground truth)和模拟数据上评估Kappa学习。结果表明，基于Kappa学习的聚类优于基于常用相似性度量(Cohen Kappa、Yule和Pearson)的聚类。
引用
@article{arxiv.1812.08390,
title = {Kappa Learning: A New Method for Measuring Similarity Between Educational Items Using Performance Data},
author = {Tanya Nazaretsky and Sara Hershkovitz and Giora Alexandron},
journal= {arXiv preprint arXiv:1812.08390},
year = {2018}
}
备注
9 pages, 5 figures