1 개요[ | ]
- Deep-IRT: Make Deep Learning Based Knowledge Tracing Explainable Using Item Response Theory
- 딥-IRT: 문항반응이론을 이용하여 딥러닝 기반 지식 추적을 설명 가능하게 만들기
- 저자: Chun-Kit Yeung
딥러닝 기반 지식추적 모델은 사람이 처리한 피처 없이도 기존 지식추적 모델을 능가하는 것으로 나타났지만 매개변수와 표현은 설명할 수 없다는 비판을 오랫동안 받아왔다. 이 논문에서는 지식추적 기반의 딥러닝을 설명가능하게 하기 위해 DKVMN(Dynamic Key-Value Memory Network)이라는 심층 신경망 아키텍처를 기반으로 하는 문항반응이론(Item Response Theory, IRT) 모델과 지식추적 모델을 합성한 Deep-IRT를 제안한다. 구체적으로, DKVMN 모델을 사용하여 학생의 학습 궤적을 처리하고 시간 경과에 따른 학생의 능력 수준과 항목 난이도를 추정한다. 그런 다음 IRT 모델을 사용하여 추정된 학생 능력과 문항 난이도를 사용하여 학생이 문항에 올바르게 답할 확률을 추정한다. 실험에 따르면 Deep-IRT 모델은 DKVMN 모델의 성능을 유지하면서 학생과 문항 모두에 대한 직접적인 심리적 해석을 제공한다.
2 #[ | ]
2.1 결론[ | ]
이 논문에서는 딥러닝 기반 지식추적 모델에 설명가능성을 부여하는 Deep-IRT 모델을 제안한다. 실험은 Deep-IRT 모델이 딥러닝 기반 지식추적 모델의 성능을 유지하면서 동시에 KC의 난이도와 학생 능력 수준을 시간 경과에 따라 추정할 수 있음을 보여준다. 또한 Deep-IRT 모델에 의해 추정된 난이도는 IRT 모델 및 문항 분석과 같은 다른 전통적인 방법으로 얻은 난이도와 일치한다. 따라서 기존의 교육 시험 환경이 아닌 전체 학습 궤적을 활용하여 KC의 난이도를 추정할 수 있는 대안을 제공할 수 있다. 그러나 고유한 KC의 종속성을 학습하는 데에는 여전히 개선의 여지가 있다. 잠재적인 방법 중 하나는 질문의 내용을 통합하여 더 나은 KC의 벡터 표현을 배우는 것이다.
3 참고[ | ]
-
{{comment.page_title}} ―{{comment.name}}