Do we need to go Deep? Knowledge Tracing with Big Data

1 개요[ | ]

Do we need to go Deep? Knowledge Tracing with Big Data
Deep할 필요가 있는가? 빅데이터를 통한 지식 추적

저자: Varun Mandalapu, Jiaqi Gong, Lujie Chen

IES(Interactive Educational Systems)를 통해 연구자는 다양한 기술의 학습자 지식을 추적하고 더 나은 학습경로 추천을 제공할 수 있다. 학생의 지식을 추정하고 미래의 수행능력을 더 예측하기 위해, IES에서 수집한 학생 상호작용 데이터를 활용하여 학습자 수행 모델을 개발하는 것에 대한 관심이 빠르게 증가하고 있다. 또한 컴퓨팅 시스템의 발전으로 이러한 IES 시스템이 수집하는 데이터의 양도 증가하여 딥러닝 모델이 기존의 로지스틱 모델 및 Markov 프로세스와 경쟁할 정도가 되었다. 그러나 이러한 심층 모델이 수백만 명의 학생 상호 작용이 있는 현재 규모의 데이터 세트에서 기존 모델을 능가하는지 여부는 여전히 경험적으로 분명하지 않다. 본 연구에서는 교육 영역에서 공개적으로 사용가능한 가장 큰 학습자 상호작용 데이터 세트인 EdNet을 채택하여 심층 모델과 기존 모델이 미래의 학생 성과를 얼마나 정확하게 예측하는지를 알아본다. 본 연구는 신중하게 설계된 피처를 가진 로지스틱 회귀 모델이 광범위한 실험에서 심층 모델보다 성능이 우수하다는 것을 확인했다. 최고 성능의 모델 예측에서 다양한 피처의 영향력을 알아보기 위해 LIME(Locally Interpretable Model-agnostic Explanation)에 기반하여 해석해본다.

2 참고[ | ]