面向编程教育的零样本学习：基于深度学习推断的评分量规采样
机器学习
2018-12-18 v2 计算机与社会
机器学习
摘要
在现代计算机科学教育中，大规模开放在线课程（MOOCs）记录了关于学生如何解决编程挑战的数千小时数据。由于数据如此丰富，这些平台引起了机器学习界的兴趣，许多新算法试图自主提供反馈以帮助未来学生学习。但那最初的十万名学生呢？在大多数教育情境（即课堂）中，作业没有足够的历史数据用于监督学习。本文中，我们引入一种人在回路的“评分量规采样”方法来应对“零样本”反馈挑战。我们能够为首批在入门编程作业上学习的学生提供自主反馈，其准确率大幅优于数据饥渴型算法，并接近人类水平保真度。评分量规采样仅需极少的教师投入，可将反馈与学生解决方案的特定部分关联，并能以教师的语言阐明学生的误解。深度学习推断使评分量规采样能随着获取更多作业特定的学生数据而进一步改进。我们在来自全球最大编程教育平台 Code.org 的新数据集上展示了我们的结果。
引用
@article{arxiv.1809.01357,
title = {Zero Shot Learning for Code Education: Rubric Sampling with Deep Learning Inference},
author = {Mike Wu and Milan Mosse and Noah Goodman and Chris Piech},
journal= {arXiv preprint arXiv:1809.01357},
year = {2018}
}
备注
To appear at AAAI 2019; 9 pages