期刊:NIPS/CoRR abs
时间:2015
类型:知识追踪
特点:第一次将RNN/LSTM运用于知识追踪
作者:Chris Piech, Jonathan Bassen, Jonathan Huang等
机构:Stanford University
简介
在计算机支持的教育中,知识跟踪——即在学生与课程交互时,机器对学生的知识进行建模——是一个很好的问题。虽然对学生的知识进行有效的建模会有很高的教育影响,但这项任务有许多固有的挑战。在这篇论文中,我们探索了使用循环神经网络(RNNs)来模拟学生学习的效用。与以往的方法相比,RNN模型家族具有重要的优势,它们不需要对人类领域知识进行显式编码,可以捕获更复杂的学生知识表示。使用神经网络在一系列知识追踪数据集上的预测性能有了实质性的提高。此外,学习模型可以用于智能课程设计,并允许学生在任务中直接解释和发现结构。这些结果为知识追踪提供了一个有前景的新研究方向,并为rnn提供了一个典型的应用任务。
任务介绍
知识追踪是一项随着时间推移来建模学生知识的的任务,以便我们可以在未来的交互中更加准确地预测学生的表现。意义在于模型可以根据学生个人需求将资源推荐给学生,并且可以根据内容的难易程度来决定是否跳过该知识点。
问题定义
给定一组一个学生对于特定学习任务交互观测值