面向策略预测规模化的掌握度引导非参数聚类
计算机与社会
2024-01-19 v1 人工智能
机器学习
摘要
预测学生在解决问题时可能使用的策略（概念序列）有助于自适应教学系统（AIS）根据学生的学习能力更好地适应不同类型的学习者。这可以为学生带来更具动态性、吸引力和个性化的体验。为了在大规模教育数据集上扩大训练预测模型（如 LSTM）的规模，我们开发了一种非参数方法来聚类数据中的对称实例。具体而言，我们学习了一种基于 Node2Vec 的表示，该表示编码了基于掌握度或技能水平的对称性，因为为了解决一个问题，学生的策略自然可能涉及他们已经掌握的概念。使用这种表示，我们通过由粗到细的聚类细化来使用 DP-Means 对对称实例进行分组。我们将模型应用于从 MATHia（一个领先的中学数学学习 AIS）的大规模数据集中学习数学学习策略。我们的结果表明，我们的方法能够使用代表整个数据集的小样本持续实现高准确率。此外，我们表明该方法有助于为不同技能水平的学生学习高准确率的策略，即利用对称性提高了预测模型的公平性。
引用
@article{arxiv.2401.10210,
title = {Mastery Guided Non-parametric Clustering to Scale-up Strategy Prediction},
author = {Anup Shakya and Vasile Rus and Deepak Venugopal},
journal= {arXiv preprint arXiv:2401.10210},
year = {2024}
}
备注
Proceedings of 37th AAAI Conference on Artificial Intelligence Artificial Intelligence for Education. arXiv admin note: substantial text overlap with arXiv:2308.03892