采用深度注意力分数预测可提升学生参与度

智能辅导系统（ITSs）通过自适应地为每个个体生成优化的学习路径，已发展为向学生提供个性化学习体验的系统。在ITS的广泛范畴中，分数预测作为一个研究领域脱颖而出，它使学生能够基于自身当前位置构建个体化的现实目标。通过ITS提供的预期分数，学生可即时将自己的预期分数与实际分数进行比较，这直接对应于ITS所能赋予的可靠性。换言之， refining预测分数的精度与学生可能对ITS抱有的置信度严格相关，而这显然会带来改善的学生参与度。然而，既往研究仅专注于改进预测模型的性能，很大程度上缺乏对其实际应用所产生收益的关注。在本文中，我们通过提供经验证据，证明部署于真实环境中的分数预测模型的准确性显著影响用户参与度。为此，我们将一种最先进的基于深度注意力神经网络的分数预测模型应用于Santa——一个在韩国拥有约78万用户、专攻TOEIC（国际交流英语测试）标准化考试的多平台英语ITS。我们在该ITS上以两个模型（分别基于协同过滤与深度注意力神经网络）进行了受控A/B测试，以验证更准确的模型是否引发任何学生参与。结果得出结论：注意力模型不仅在Santa上引发了高学生士气（如更高的诊断测试完成率、答题数等），而且鼓励了积极参与（如更高的购买率、提升的总利润等）。