論文導讀:Exercise-Enhanced Sequential Modeling for Student Performance Prediction
阿新 • • 發佈:2018-11-28
Exercise-Enhanced SequentialModeling for Student Performance Prediction
智慧教育系統中,如何有效預測學生表現是非常重要的,也是進行個性化推薦,學習路徑規劃的基礎,常用的預測方式依賴於專家將學習材料進行的知識成分的標註,如題目對應的知識點等,並沒有考慮題面資訊。而相同的知識點的題目難度,區分度或其他技能要求都是有所不同的,所以作者考慮將體面資訊進行利用,提出了Exercise-Enhanced Recurrent Neural Network (EERNN) 進行學生表現預測。
模型
模型主要包括三部分:1.使用bi-LSTM對題面資訊進行表徵編碼;2.使用另外的LSTM結構進行知識追蹤的學習;3.對於最終的預測,將EERNN進行拓展,一是加入馬爾可夫性,二是採用了attention機制。
模型優點:
作者所提出的模型優點在於:
- 模型輸入不僅利用了學生做題序列,也將題目資訊加入其中。
- 模型由於加入attention機制,更加聚焦於當時的效果而不是長期依賴的影響。
- 模型解決了冷啟動問題,即對於新來的學生或題目,都可以進行預測。
演算法過程:
表示學生集合, 表示練習集合,第i個學生的做題過程表示為: ,其中 表示學生i做過的第j個練習, 表示對應得分(0或1)。每個練習題是由多個片語成的,對應表示為: 。模型要解決的任務是根據學生做題序列和對應的題目資訊,預測在下個題目上的得分情況:
上圖為模型架構圖, 表示第i步對應的練習題, 是對應題目編碼後的向量, 為對應答題結果, 為送入模型的輸入,具體公式如下:
EERNN模型的馬爾可夫特性體現在,T+1時刻輸出只與T時刻狀態有關,具體如下公式所示: