基于状态空间模型的保持不确定性的深度知识追踪
计算机与社会
2024-07-25 v1 机器学习
摘要
知识追踪和传统评估的核心目标是量化学生在特定时间点的知识和技能。深度知识追踪灵活地考虑学生的响应历史，但不量化认知不确定性；而 IRT 和 CDM 计算测量误差，但仅考虑对单个测试的响应，与学生过去的响应相互独立。Elo 和 BKT 能在这两者之间架起桥梁，但其简单模型限制了跨技能的信息共享，并施加强烈的归纳偏置。为克服这些限制，我们引入了 Dynamic LENS，这是一种建模范式，将变分自编码器保持灵活性的特性与贝叶斯状态空间模型原则性信息整合能力相结合。Dynamic LENS 允许来自学生响应的时间跨度收集信息，同时将来自同一测试的响应视为由共享潜在状态生成的可交换观察值。它将学生知识表示为高维空间中的高斯分布，并通过贝叶斯更新结合测试内和跨时间的估计。我们展示，Dynamic LENS 在预测性能上与竞争模型相当，同时保持了深度学习模型所缺乏的认知不确定性——这相当于测量误差。这一方法在为形式化实践和总结性评估设计的模型之间搭建重要桥梁。
引用
@article{arxiv.2407.17427,
title = {Uncertainty-preserving deep knowledge tracing with state-space models},
author = {S. Thomas Christie and Carson Cook and Anna N. Rafferty},
journal= {arXiv preprint arXiv:2407.17427},
year = {2024}
}
备注
In Proceedings of the 17th International Conference on Educational Data Mining (EDM 2024)