- Подобряване на интерпретируемостта на дълбоко последователни модели за проследяване на знания с ориентирани към въпроси когнитивни представяния (arXiv)
Автор: Jiahao Chen, Zitao Liu, Shuyan Huang, Qiongqiong Liu, Weiqi Luo
Резюме: Проследяването на знания (КТ) е решаваща техника за прогнозиране на бъдещото представяне на учениците чрез наблюдение на техните исторически процеси на обучение. Благодарение на мощната способност за представяне на дълбоките невронни мрежи, беше постигнат забележителен напредък чрез използване на техники за дълбоко обучение за решаване на проблема с КТ. По-голямата част от съществуващите подходи разчитат на предположението \emph{хомогенен въпрос}, че въпросите имат еквивалентен принос, ако споделят един и същ набор от компоненти на знания. За съжаление, това предположение е неточно в образователни сценарии в реалния свят. Освен това е много предизвикателство да се интерпретират резултатите от прогнозите от съществуващите KT модели, базирани на дълбоко обучение. Ето защо в този документ представяме QIKT, ориентиран към въпроси интерпретируем KT модел за справяне с горните предизвикателства. Предложеният QIKT подход изрично моделира вариациите в състоянието на знанията на учениците на фино ниво с чувствителни към въпроси когнитивни представяния, които се научават съвместно от модул за придобиване на знания, ориентиран към въпроси, и модул за решаване на проблеми, ориентиран към въпроси. Междувременно QIKT използва предсказващ слой, базиран на теорията за реакцията на артикула, за генериране на интерпретируеми резултати от предсказания. Предложеният QIKT модел се оценява на три публични набора от образователни данни в реалния свят. Резултатите показват, че нашият подход превъзхожда задачата за прогнозиране на KT и превъзхожда широка гама базирани на дълбоко обучение KT модели по отношение на точността на прогнозиране с по-добра интерпретируемост на модела. За да насърчим възпроизводими резултати, предоставихме всички набори от данни и код на \url{https://pykt.org/}
2. Проследяване на знания за множество дейности, съобразено с прехода (arXiv)
Автор: Siqian Zhao, Chunpai Wang, Shaghayegh Sahebi
Резюме: Точното моделиране на знанията на студентите е от съществено значение за широкомащабни системи за онлайн обучение, които все повече се използват за обучение на студенти. Проследяването на знания има за цел да моделира състоянието на знанията на ученика, като се има предвид последователността на учебните дейности на ученика. Съвременното проследяване на знанията (KT) обикновено се формулира като проблем за обучение с контролирана последователност, за да се предскаже бъдещото представяне на практиката на учениците според техните резултати от минали наблюдавани практики чрез обобщаване на състоянието на знанията на учениците като набор от развиващи се скрити променливи. Поради тази формулировка, много настоящи решения на KT не са подходящи за моделиране на обучението на студенти от неоценени учебни дейности без изрична обратна връзка или наблюдение на резултатите (напр. гледане на видео лекции, които не са оценени). Освен това тези модели не могат изрично да представят динамиката на трансфера на знания между различните учебни дейности, особено между оценените (напр. викторини) и неоценените (напр. видео лекции) учебни дейности. В този документ ние предлагаме проследяване на много дейности на знанието, съобразено с прехода (TAMKOT), което моделира трансфер на знания между учебни материали, в допълнение към знанията на учениците, когато учениците преминават между и в рамките на оценени и неоценени учебни материали. TAMKOT е формулиран като дълбоко повтарящ се модел на обучение с множество дейности, който изрично научава трансфер на знания чрез активиране и изучаване на набор от матрици за трансфер на знания, по една за всеки тип преход между дейностите на ученика. Съответно, нашият модел позволява представянето на всеки тип материал в различно, но преносимо латентно пространство, като същевременно поддържа знанията на учениците в споделено пространство. Ние оценяваме нашия модел върху три обществено достъпни набора от данни в реалния свят и демонстрираме способността на TAMKOT да прогнозира представянето на учениците и да моделира трансфера на знания.
