基于稀疏因子分析的时变学习与内容分析
机器学习
2013-12-20 v1 机器学习
最优化与控制
应用统计
摘要
我们提出了 SPARFA-Trace，这是一个基于机器学习的新框架，用于教育应用中的时变学习和内容分析。我们开发了一种新颖的基于消息传递的、盲式的、近似卡尔曼滤波器，用于稀疏因子分析 (SPARFA)，该滤波器能够联合地：(i) 追踪学习者概念知识随时间的变化，(ii) 分析学习者概念知识状态的转移（由与学习资源互动引起，如教科书章节、讲座视频等，或由遗忘效应引起），以及 (iii) 评估测试题目的内容组织和内在难度。这些量仅从二值（正确/错误）评分的学习者响应数据以及每个学习者在每个时间点执行的具体动作摘要（例如回答问题或学习学习资源）中估计得出。在两个在线课程数据集上的实验结果表明，SPARFA-Trace 能够追踪每个学习者概念知识的随时间演化，并分析学习资源的质量和内容的组织、问题 - 概念关联以及问题的内在难度。此外，我们表明 SPARFA-Trace 在预测未观察到的学习者响应方面，实现了与现有用于个性化教育的协同过滤和知识追踪方法相当或更好的性能。
引用
@article{arxiv.1312.5734,
title = {Time-varying Learning and Content Analytics via Sparse Factor Analysis},
author = {Andrew S. Lan and Christoph Studer and Richard G. Baraniuk},
journal= {arXiv preprint arXiv:1312.5734},
year = {2013}
}