Research on Integrating Forgetting Behavior into Student Models for Online Learning Systems
Notice bibliographique
Résumé
Modelling students accurately is an important task in online learning systems. In online learning systems, student models are usually built by dealing with students’ historical data of answering questions as input, and eventually output to what extent the student has mastered a certain knowledge component. To evaluate a student model, a commonly used method, namely knowledge tracing, is to build multiple student models based on multiple continuous historical data as mentioned above, then predict whether or not a student can answer a question correctly, and finally compare predicted results with true results. However, the behavior of students is complicated and unpredictable, thus makes student modelling and knowledge tracing become very difficult tasks. Based on existing research of knowledge tracing, especially deep knowledge tracing which uses LSTM to model students, this paper proposes a novel method of student modeling. Compared with other state-of-the-art student modeling methods, the most significant feature of our modeling methods is our method can take students' forgetting behavior into consideration. Moreover, our modeling method can appropriately handle situations that one question corresponds to multiple knowledge components. To test the performance of our student model, this paper applies our student model to the knowledge tracing task. Based on our experiments in public datasets, when one question corresponds to multiple knowledge components and the length of students' historical data is greater, our model performs better in terms of all metrics compared to state-of-the-art knowledge tracing methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».