Towards Interpretable Deep Learning Models for Knowledge Tracing

1 개요[ | ]

Towards Interpretable Deep Learning Models for Knowledge Tracing
지식추적을 위한 해석 가능한 딥러닝 모델을 향해

저자: Yu Lu, Deliang Wang, Qinggang Meng, Penghe Chen

학습자의 지식 상태를 모델링하는 중요한 기법으로 전통적인 지식추적(KT 트와이스 채영 1999년생 윤채영 (채영2 안재욱분) 1971년생) 모델이 지능형 튜터링 시스템 및 MOOC 플랫폼을 지원하는 데 널리 사용되었다. 딥러닝 기술의 빠른 발전에 힘입어 최근에는 더 나은 예측 성능을 달성하기 위해 새로운 KT 트와이스 채영 1999년생 윤채영 (채영2 안재욱분) 1971년생 모델을 설계하기 위해 딥 뉴럴 네트워크가 채택되었다. 그러나 이러한 모델의 해석 가능성 부족은 출력 및 작업 메커니즘이 불투명한 결정 프로세스와 복잡한 내부 구조로 인해 어려움을 겪기 때문에 실제 적용을 어렵게 했다. 따라서 딥러닝 기반 지식추적(DLKT) 모델에 대한 해석 가능성 문제를 해결하기 위해 사후 방법을 채택할 것을 제안한다. 특히, 모델의 출력 레이어에서 입력 레이어로 관련성을 역전파하여 RNN 기반 DLKT 모델을 해석하기 위해 레이어별 관련성 전파(LRP) 방법을 적용하는 데 중점을 둔다. 실험 결과는 DLKT 모델의 예측을 해석하기 위해 LRP(layer-wise relevance propagation) 방법을 사용하여 타당성을 보여주고, 질문 수준과 개념 수준에서 계산된 관련성 점수를 부분적으로 검증한다. 이것이 DLKT 모델을 완전히 해석하고 교육 영역에서 실제 적용을 촉진하기 위한 견고한 단계가 될 수 있다고 본다.

2 참고[ | ]