跳转至

阅读作业

•按照指定的顺序，每个组阅读指定的一篇论文（即下文）

请至钉钉文档查看附件《NIPS-2015-deep-knowledge-tracing-Paper-2.pdf》

•30分钟阅读后，分享阅读成果

•面临什么问题

知识追踪（knowledge tracing）是计算机辅助教育中一个重要的问题，它指的是机器根据学生与课程的互动来建立学生知识的模型。但是有效地模拟学生知识是一件相当困难的事情。

•前人主要的解决方案

大多数以前的教育工作依赖于具有限制函数形式的一阶马尔可夫模型。

贝叶斯知识追踪(BKT)：

简介：

  • 是建立学生学习时间模型最常用的方法。

  • BKT将学习者的潜在知识状态建模为一组二元变量，每个变量代表对单个概念的理解或不理解。

  • 当学习者正确或错误地回答给定概念的练习时，使用隐马尔可夫模型(HMM)来更新这些二元变量之间的概率。最初的模型公式假设，一旦学会了一项技能，就永远不会忘记。

  • 该模型最近的扩展包括猜测和滑动估计的语境化，估计单个学习者的先验知识，以及估计问题难度。

缺点：

  • 学生理解的二元表示可能是不现实的。

  • 隐藏变量的含义及其映射到练习上的含义可能是模糊的，很少能满足模型对每个练习的单个概念的期望。

部分可观察马尔可夫决策过程(POMDPS):

简介：

  • 在学习者遵循开放式路径达到解决方案的情况下，POMDPS已被用于模拟学习者随时间的行为。

缺点：

  • 尽管POMDPS提供了一个非常灵活的框架，但它们需要探索指数级大的状态空间。

  • 当前的实现仅限于离散状态空间，对潜在变量具有硬编码的含义。这使得它们在实践中难以处理或缺乏灵活性。

性能因素分析(PFA)框架和学习因素分析(LFA)框架：

简介：

  • 模型更简单，但显示出与BKT相当的预测能力。

  • 集成BKT和PFA： AdaBoost、随机森林、线性回归、逻辑回归和前馈神经网络支持的模型组合都显示出比BKT和PFA本身更好的结果。

缺点：

  • 由于它们所依赖的学习器模型，这些集成技术也面临着同样的限制，包括对准确概念标记的要求。

项目反应理论(IRT)模型与切换非线性卡尔曼滤波器以及知识追踪的结合：

  • 目前它在功能形式上更受限制，并且由于潜在变量的推断，它的代价更高

•此文的方案概述

应用两种不同类型的RNN——一种带有s形单元的普通RNN模型和一种长短期记忆(LSTM)模型——来根据学生过去的活动预测他们对练习的反应。

递归神经网络(RNN):

简介：

  • 它将人工神经元随时间连接起来。信息的传播是递归的，因为隐藏神经元的进化既基于系统的输入，也基于它们之前的激活。与出现在教育领域的隐马尔可夫模型(也是动态的)不同，RNN具有高维、连续的潜在状态表示。

优点：

  • 它们能够在更晚的时间点上使用来自输入的信息进行预测。对于长短期记忆(LSTM)网络来说尤其如此。

  • 对于一些时间序列任务，例如语音到文本，翻译和图像字幕，递归神经网络具有竞争力或最先进的水平，其中有大量的训练数据可用。

  • 这些结果表明，如果将任务表述为时间神经网络的新应用，可以更成功地追踪学生的知识。

•此文相较前人的提高

与以前的方法相比，RNN系列模型具有的优势有：

  1. 它们不需要对人类领域知识进行显式编码，并且可以捕获更复杂的学生知识表示。

  2. 使用神经网络在一系列知识跟踪数据集上的预测性能有了实质性的提高。

  3. 此学习模型可以用于智能课程设计，并允许直接解释和发现学生任务的结构。

本文提出了一个称之为深度知识跟踪(DKT)的公式。将灵活的递归神经网络应用于知识跟踪任务。该系列模型使用人工“神经元”的大向量来表示潜在的知识状态及其时间动态，并允许从数据中学习学生知识的潜在变量表示，而不是硬编码。主要的优势有：

  1. 提供了一种将学生互动编码为递归神经网络输入的新方法。

  2. 在知识跟踪基准上，AUC比之前的最佳结果增加25%。

  3. 证明知识跟踪模型不需要专家注释。

  4. 运动影响的发现和运动课程的改进。

•参考文献中直接表达前人工作是哪些

  1. [3] CEN, H., KOEDINGER, K., AND JUNKER, B. Learning factors analysis–a general method for cognitive model evaluation and improvement. In Intelligent tutoring systems (2006), Springer, pp. 164–175.

  2. [4] COHEN, G. L., AND GARCIA, J. Identity, belonging, and achievement a model, interventions, implications. Current Directions in Psychological Science 17, 6 (2008), 365–369.

  3. [5] CORBETT, A. Cognitive computer tutors: Solving the two-sigma problem. In User Modeling 2001. Springer, 2001, pp. 137–147.

  4. [6] CORBETT, A. T., AND ANDERSON, J. R. Knowledge tracing: Modeling the acquisition of procedural knowledge. User modeling and user-adapted interaction 4, 4 (1994), 253–278.

  5. [10] ELLIOT, A. J., AND DWECK, C. S. Handbook of competence and motivation. Guilford Publications, 2013.

  6. [12] FITCH, W. T., HAUSER, M. D., AND CHOMSKY, N. The evolution of the language faculty: clarifications and implications. Cognition 97, 2 (2005), 179–210.

  7. [14] GONG, Y., BECK, J. E., AND HEFFERNAN, N. T. In Intelligent Tutoring Systems, Springer.

  8. [18] KHAJAH, M., WING, R. M., LINDSEY, R. V., AND MOZER, M. C. Incorporating latent factors into knowledge tracing to predict individual differences in learning. Proceedings of the 7th International Conference on Educational Data Mining (2014).

  9. [19] KHAJAH, M. M., HUANG, Y., GONZ  ALEZ-BRENES, J. P., MOZER, M. C., AND BRUSILOVSKY, P. Integrating knowledge tracing and item response theory: A tale of two frameworks. Proceedings of the 4th International Workshop on Personalization Approaches in Learning Environments (2014).

  10. [20] LAN, A. S., STUDER, C., AND BARANIUK, R. G. Time-varying learning and content analytics via sparse factor analysis. In Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining (2014), ACM, pp. 452–461.

  11. [21] LINNENBRINK, E. A., AND PINTRICH, P. R. Role of affect in cognitive processing in academic contexts. Motivation, emotion, and cognition: Integrative perspectives on intellectual functioning and development (2004), 57–87.

  12. [24] PAVLIK JR, P. I., CEN, H., AND KOEDINGER, K. R. Performance Factors Analysis–A New Alternative to Knowledge Tracing. Online Submission (2009).

  13. [31] SCHRAAGEN, J. M., CHIPMAN, S. F., AND SHALIN, V. L. Cognitive task analysis. Psychology Press, 2000.

•哪些论文引用了此文而且是作为前人工作的

在Web of Sience上可以看到有多达156篇的论文引用了这篇2015年发表的论文。可以在其中寻找到如下几篇引用了本篇论文并且将本篇论文作为前人工作：

•上述两项的论文出自哪些会议/期刊

会议/期刊：Intelligent Tutoring Systems (2006), Springer, pp. 164–175.

  • 文章：Identity, belonging, and achievement: A model, interventions, implications

会议/期刊：Current Directions in Psychological Science 17, 6 (2008), pp. 365–369.

  • 文章：Cognitive computer tutors: Solving the two-sigma problem

会议/期刊：User Modeling 2001. Springer, 2001, pp. 137–147.

  • 文章：Knowledge tracing: Modeling the acquisition of procedural knowledge

会议/期刊：User modeling and user-adapted interaction 4, 4 (1994), pp. 253–278.

  • 文章：Handbook of competence and motivation

会议/期刊：Guilford Publications, 2013.

  • 文章：The evolution of the language faculty: clarifications and implications

会议/期刊：Cognition 97, 2 (2005), pp. 179–210.

  • 文章：Intelligent Tutoring Systems

会议/期刊：Springer.

  • 文章：Incorporating latent factors into knowledge tracing to predict individual differences in learning

会议/期刊：Proceedings of the 7th International Conference on Educational Data Mining (2014).

  • 文章：Integrating knowledge tracing and item response theory: A tale of two frameworks

会议/期刊：Proceedings of the 4th International Workshop on Personalization Approaches in Learning    Environments (2014).

  • 文章：Time-varying learning and content analytics via sparse factor analysis

会议/期刊：Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (2014), ACM, pp. 452–461.

  • 文章：Role of affect in cognitive processing in academic contexts

会议/期刊：Motivation, emotion, and cognition: Integrative perspectives on intellectual functioning and development (2004), pp. 57–87.

  • 文章：Performance Factors Analysis–A New Alternative to Knowledge Tracing

会议/期刊：Online Submission (2009).

  • 文章：Cognitive Task Analysis

会议/期刊：Psychology Press, 2000.