量化矩阵补全用于个性化学习
机器学习
2014-12-19 v1 机器学习
摘要
最近提出的个性化学习稀疏因子分析（SPARFA）框架对学习者对问题的有序或二元值（例如，正确/错误）评分响应进行因子分析。潜在因子被称为“概念”（或知识组件），用于学习分析（LA），即估计学习者概念知识画像，以及内容分析（CA），即估计问题-概念关联和问题难度。虽然 SPARFA 是 LA 和 CA 的强大工具，但它需要多个算法参数（包括概念数量），这些参数在实践中难以确定。在本文中，我们提出了 SPARFA-Lite，一种基于矩阵补全的凸优化 LA 方法，它只需要一个算法参数，并使我们能够自动识别所需的概念数量。通过使用多种教育数据集，我们证明 SPARFA-Lite (i) 在预测未观测的学习者响应方面取得了与现有方法（包括项目反应理论（IRT）和 SPARFA）相当的性能，并且 (ii) 计算效率更高。
引用
@article{arxiv.1412.5968,
title = {Quantized Matrix Completion for Personalized Learning},
author = {Andrew S. Lan and Christoph Studer and Richard G. Baraniuk},
journal= {arXiv preprint arXiv:1412.5968},
year = {2014}
}