标签感知的有序稀疏因子分析用于学习与内容分析
机器学习
2014-12-19 v1 机器学习
摘要
机器学习为设计个性化学习系统提供了新颖的途径和方法，在这些系统中，每位学生的学习体验会根据其背景、学习目标和当前表现实时定制。稀疏因子分析（SPARFA）是一个基于机器学习的学习分析新框架，用于估计学习者对领域内概念的理解程度，以及内容分析，用于估计一组问题与这些概念之间的关系。SPARFA 仅基于一群学习者对一组问题的正确/错误评分响应，联合学习问题与概念之间的关联、学习者概念知识画像以及潜在的问题难度。在本文中，我们显著扩展了 SPARFA 框架，使其能够：(i) 分析有序量表（部分得分）而非二元量表（正确/错误）上的评分响应；(ii) 利用问题的标签/标记，这些标签部分描述了问题与概念的关联。由此产生的有序 SPARFA-Tag 框架极大地增强了所估计概念的可解释性。我们使用真实教育数据证明，有序 SPARFA-Tag 在预测缺失的学习者响应方面优于 SPARFA 和现有的协同过滤技术。
引用
@article{arxiv.1412.5967,
title = {Tag-Aware Ordinal Sparse Factor Analysis for Learning and Content Analytics},
author = {Andrew S. Lan and Christoph Studer and Andrew E. Waters and Richard G. Baraniuk},
journal= {arXiv preprint arXiv:1412.5967},
year = {2014}
}