使用动态神经模型的学生表现预测
机器学习
2021-06-02 v1 人工智能
摘要
我们解决基于学生在学习与评估过程中的先前交互来预测其对下一道考题作答正确性的问题。我们将学生表现建模为动态问题，并比较用于解决该问题的两类主要动态神经架构，即有限记忆的时间延迟神经网络（TDNN）与潜在无限记忆的循环神经网络（RNN）。由于下一次作答是学生知识状态的函数，而知识状态又是其先前作答及先前题目相关技能的函数，我们提出一种两部分网络架构。第一部分采用动态神经网络（TDNN 或 RNN）追踪学生知识状态。第二部分置于动态部分之上，是一个多层前馈网络，基于我们对学生知识状态的估计完成预测学生作答的分类任务。输入技能与先前作答均使用不同嵌入进行编码。关于技能嵌入，我们尝试了两种不同初始化方案：（a）随机向量与（b）匹配技能文本描述的预训练向量。我们的实验表明，在我们所用的所有数据集中，RNN 方法的性能优于 TDNN 方法。此外，我们表明我们的 RNN 架构在五个数据集中的四个上优于最先进（SOTA）模型。值得注意的是，TDNN 方法在五个数据集中的四个上也优于 SOTA 模型，尽管它略逊于我们提出的 RNN 方法。最后，与我们的预期相反，我们发现使用预训练向量初始化技能嵌入相比随机初始化几乎不具优势。
引用
@article{arxiv.2106.00524,
title = {Student Performance Prediction Using Dynamic Neural Models},
author = {Marina Delianidi and Konstantinos Diamantaras and George Chrysogonidis and Vasileios Nikiforidis},
journal= {arXiv preprint arXiv:2106.00524},
year = {2021}
}
备注
9 pages, 4 figures, to be published in EDM 2021: the 14th International Conference on Educational Data Mining, June 29 - July 2, 2021, Paris, France