基于连续变量动态贝叶斯网络的学生技能实时跟踪
机器学习
2025-01-20 v1 机器学习
摘要
知识追踪领域致力于预测学生针对给定技能的成功率。现代方法如深度知识追踪在获取足够数据后能提供准确的估计，但基于神经网络的模型难以解释这些估计是如何形成的。更古典的方法如动态贝叶斯网络能够解释，但无法提供估计准确性的数据，常常难以实时包含新观察数据 due to其高计算负荷。本文提出了一种新方法，即性能分布追踪（PDT），通过追踪成功率的分布来实现实时跟踪。它使用带有连续随机变量节点的动态贝叶斯网络。通过追踪成功率分布，任何成功率估计始终都有其准确性数据。此外，这使得可以将来自相似/相关技能的数据组合起来，为成功率估计提供更有信息量的预测。这使得能够预测练习的成功率，同时提供可解释性和准确性指示，即使该练习需要结合不同技能才能解决。通过使用beta分布函数作为共轭先验，所有分布都以解析形式可用，允许在新观察到来时进行高效在线更新。实验表明，所得估计通常被认为足够准确，以至于用户接受基于这些估计的建议。
引用
@article{arxiv.2501.10050,
title = {Tracking student skills real-time through a continuous-variable dynamic Bayesian network},
author = {Hildo Bijl},
journal= {arXiv preprint arXiv:2501.10050},
year = {2025}
}