[論文レビュー] A Survey of Knowledge Tracing: Models, Variants, and Applications

Shuanghong Shen, Qi Liu+5 more|arXiv (Cornell University)|May 6, 2021

Intelligent Tutoring Systems and Adaptive Learning参考文献 168被引用数 73

ひとこと要約

この調査は、知識追跡（KT）モデルを確率的、ロジスティック、深層学習ベースのアプローチに体系的に分類し、モデルの派生をレビューし、オープンソースKTライブラリ EduData と EduKTM を公開し、KTの応用と今後の方向性を論じる。

ABSTRACT

Modern online education has the capacity to provide intelligent educational services by automatically analyzing substantial amounts of student behavioral data. Knowledge Tracing (KT) is one of the fundamental tasks for student behavioral data analysis, aiming to monitor students' evolving knowledge state during their problem-solving process. In recent years, a substantial number of studies have concentrated on this rapidly growing field, significantly contributing to its advancements. In this survey, we will conduct a thorough investigation of these progressions. Firstly, we present three types of fundamental KT models with distinct technical routes. Subsequently, we review extensive variants of the fundamental KT models that consider more stringent learning assumptions. Moreover, the development of KT cannot be separated from its applications, thereby we present typical KT applications in various scenarios. To facilitate the work of researchers and practitioners in this field, we have developed two open-source algorithm libraries: EduData that enables the download and preprocessing of KT-related datasets, and EduKTM that provides an extensible and unified implementation of existing mainstream KT models. Finally, we discuss potential directions for future research in this rapidly growing field. We hope that the current survey will assist both researchers and practitioners in fostering the development of KT, thereby benefiting a broader range of students.

研究の動機と目的

• 知識追跡（KT）の動機づけと定義、およびオンライン教育におけるその重要性。
• 確率的、ロジスティック、深層学習ベースの等のKTモデルの体系的分類を提供する。
• 学習過程の前・最中・学習後の学習過程をモデル化する派生をレビューする。
• KTのための利用可能なデータセットとオープンソースライブラリ（EduData、EduKTM）を強調する。
• 教育シナリオ全体におけるKTの適用を論じ、将来の研究方向を概説する。

提案手法

• KTモデルを3つのカテゴリ：確率的、ロジスティック、深層学習ベースに分類する。
• ベイジアン知識追跡、動的ベイジアン知識追跡、LFA、PFA、KTM などの基礎的なKTモデルとそれらの技術的特徴を要約する。
• ディープラーニングKTファミリー（DKT、メモリ認識KT、演習認識KT、アテンションKT、グラフベースKT）と代表的な機構（RNN/LSTM、メモリネットワーク、アテンション、トランスフォーマー）を詳述する。
• 豊富な副情報と認知的仮定を用いた、前学習・学習中・学習後の各フェーズを扱う派生をレビューする。
• オープンソースリソース（EduData、EduKTM）を提供し、KTの応用と将来の方向性を要約する。

実験結果

リサーチクエスチョン

• RQ1 確率的、ロジスティック、深層学習パラダイムにおけるコアKTモデルとその配置は何か？
• RQ2 KT派生は学習前/学習中/学習後のダイナミクスと副情報をどのように捉えるか？
• RQ3 KT評価と実装を標準化するためにどのデータセットとオープンソースツールが存在するか？
• RQ4 多様な教育現場におけるKTの主要な応用は何であり、将来の方向性の中で最も有望なものは何か？

主な発見

• 本分野は確率的、ロジスティック、深層学習ベースの3つのモデルファミリーに整理されている。
• 基礎モデルを拡張して、完全な学習過程と副情報を捉えるKT派生が広範に存在する。
• 2つのオープンソースライブラリ（EduDataと EduKTM）は、KT研究を支援するデータセットと統一実装を提供する。
• KTの応用は、適応学習、リソース推奨、教育ゲームなどのシナリオにまたがる。
• 本調査は、KT手法と適用性を進展させる潜在的な将来の研究方向を概説している。