结构化领域上具有预测性、可扩展性与可解释性的知识追踪
机器学习
2024-03-21 v1 计算机与社会
机器学习
摘要
智能导学系统通过优化学习材料的选择与时机来提升理解能力与长期记忆留存。这要求同时估计学习者的进度（“知识追踪”；KT）以及学习领域的先决结构（“知识映射”）。尽管近期的深度学习模型实现了高 KT 准确率，但这是以牺牲受心理学启发模型的可解释性为代价的。在本研究中，我们提出了一种解决此权衡的方案。PSI-KT 是一种层次化生成方法，显式建模了个体认知特征与知识先决结构如何影响学习动态，从而通过设计实现可解释性。此外，通过使用可扩展的贝叶斯推断，PSI-KT 旨在满足现实世界中即使在学习者与学习历史不断增长的情况下仍需高效个性化的需求。在来自在线学习平台的三个数据集上进行评估，PSI-KT 在持续学习环境中实现了卓越的多步预测准确率与可扩展推断，同时提供了对学习者特定特征以及在因果上支撑学习的知识先决结构的可解释表示。总而言之，具备可靠知识映射的预测性、可扩展且可解释的知识追踪，为使广大全球受众能够获得有效个性化学习奠定了关键基础。
引用
@article{arxiv.2403.13179,
title = {Predictive, scalable and interpretable knowledge tracing on structured domains},
author = {Hanqi Zhou and Robert Bamler and Charley M. Wu and Álvaro Tejero-Cantero},
journal= {arXiv preprint arXiv:2403.13179},
year = {2024}
}