预测回忆概率以自适应优先安排学习
计算机与社会
2018-03-02 v1 机器学习
摘要
学生的学习时间有限，且通常难以有效分配。研究表明，由机器指导的学习策略能识别需巩固的项目并规定重复的间隔，从而帮助学生优化掌握程度（Mozer & Lindsey 2017）。该领域大量研究通常在构建的实验环境中进行，具有固定的指导、内容与排程；相比之下，我们旨在开发可应对任意人群、学科或学习排程的方法。我们展示了两种建模项目特定回忆概率以用于差异缩减指导策略的方法。第一个模型基于先前作答正确性与学习时间间隔，使用多元逻辑回归（MLR）预测项目回忆概率。受文献提示遗忘更适合用幂律而非指数衰减建模（Wickelgren 1974）的启发，我们将 MLR 方法与自适应拟合遗忘曲线的循环幂律（RPL）模型进行比较。随后，我们针对由数百万条作答构成的学习数据集讨论这些模型的性能，表明 RPL 方法比 MLR 模型更准确且更灵活。最后，我们概述了知识建模方面前景广阔的未来方法。
引用
@article{arxiv.1803.00111,
title = {Predicting Recall Probability to Adaptively Prioritize Study},
author = {Shane Mooney and Karen Sun and Eric Bomgardner},
journal= {arXiv preprint arXiv:1803.00111},
year = {2018}
}
备注
From the NIPS 2017 Teaching Machines workshop