大规模教育数据中可扩展且公平的数学解题策略预测

理解学生的解题策略可对使用智能导学系统（ITSs）与自适应教学系统（AISs）的有效数学学习产生显著影响。例如，ITS/AIS可更好地个性化自身以纠正由错误策略所指明的特定误解，可设计特定问题以改进策略，并通过适应学生自然思维方式而非试图为所有人套用标准策略来最小化挫败感。尽管人类专家可能在具备充分学生互动的课堂环境中手动识别策略，但将其扩展至大数据是不可能的。因此，我们利用机器学习与AI方法的进展来执行可扩展且对所有技能水平学生公平的策略预测。具体而言，我们开发了一种称为MVec的嵌入，基于学生的掌握程度学习表征。随后我们以非参数聚类方法对这些嵌入聚类，渐进式学习簇，从而将具有近似对称策略的实例归为一组。策略预测模型从这些簇中采样实例进行训练。这确保我们在多样策略上训练模型，且特定组的策略不会偏置DNN模型，从而使其能在所有组上优化参数。利用来自MATHia的真实世界大规模学生互动数据集，我们以transformers与Node2Vec学习掌握度嵌入，并以LSTMs预测策略来实现我们的方法。我们表明，我们的方法可通过在大型数据集的小样本上训练扩展到实现高准确率，且具有预测平等性，即能对不同技能水平的学习者同样良好地预测策略。