[論文レビュー] pyKT: A Python Library to Benchmark Deep Learning based Knowledge Tracing Models

Zitao Liu, Qiongqiong Liu+4 more|arXiv (Cornell University)|Jun 23, 2022

Online Learning and Analytics被引用数 29

ひとこと要約

pyKT は、標準化された、オープンソースの DLKT 用 Python ベンチマークであり、標準化されたデータ前処理、データセット、SOTA モデル実装を備え、公正な比較と実世界の評価プロトコルを可能にします。

ABSTRACT

Knowledge tracing (KT) is the task of using students' historical learning interaction data to model their knowledge mastery over time so as to make predictions on their future interaction performance. Recently, remarkable progress has been made of using various deep learning techniques to solve the KT problem. However, the success behind deep learning based knowledge tracing (DLKT) approaches is still left somewhat unknown and proper measurement and analysis of these DLKT approaches remain a challenge. First, data preprocessing procedures in existing works are often private and custom, which limits experimental standardization. Furthermore, existing DLKT studies often differ in terms of the evaluation protocol and are far away real-world educational contexts. To address these problems, we introduce a comprehensive python based benchmark platform, \textsc{pyKT}, to guarantee valid comparisons across DLKT methods via thorough evaluations. The \textsc{pyKT} library consists of a standardized set of integrated data preprocessing procedures on 7 popular datasets across different domains, and 10 frequently compared DLKT model implementations for transparent experiments. Results from our fine-grained and rigorous empirical KT studies yield a set of observations and suggestions for effective DLKT, e.g., wrong evaluation setting may cause label leakage that generally leads to performance inflation; and the improvement of many DLKT approaches is minimal compared to the very first DLKT model proposed by Piech et al. \cite{piech2015deep}. We have open sourced \textsc{pyKT} and our experimental results at https://pykt.org/. We welcome contributions from other research groups and practitioners.

研究の動機と目的

• 標準化された実証評価を通じた深層学習ベースの知識追跡の進展を評価する。
• 再現性のあるデータ前処理、データセット分割、SOTA DLKT 実装を含むエンドツーエンドの PyTorch ベンチマークを提供する。
• 現実の教育環境でDLKTの性能に影響を与える要因を特定するために評価プロトコルを分析する。
• DLKT研究におけるラベル漏れを減らし再現性を向上させるための指針とベストプラクティスを提供する。

提案手法

• 公開KTデータセット7件を収集し、標準化された形式に前処理する。
• 多様なアーキテクチャ系を網羅した10の代表的な DLKT モデルを実装・整理する（例：ディープシーケンシャル、メモリ拡張、敵対的、グラフベース、アテンションベースなど）。
• 訓練／検証／テスト分割、ワンステップおよびマルチステップ予測シナリオ、AUCを主要指標とする評価プロトコルを標準化する。
• 質問をKCレベルの相互作用に拡張して、公正なKCレベル評価を可能にしつつ、オールインワンKC融合手法を強調する。
• KC融合戦略（早期融合、後期融合のバリエーション、厳密融合）を提供し、予測への影響を比較する。
• ラベル漏れを避け、現実的な評価を保証するためのオールインワンKC予測アプローチを文書化・強制する。

実験結果

リサーチクエスチョン

• RQ1 現実の教育環境におけるDLKTアルゴリズムの信頼できる、現実的な評価プロセスとは何か？
• RQ2 データ特性、モデル設計、予測シナリオはDLKTの性能にどう影響するか？
• RQ3 標準化された前処理と評価は、不公正な比較を減らし、DLKT研究の再現性を向上させることができるか？

主な発見

• AKT は、質問情報とKC情報の両方が利用可能なデータセット全般でほとんどのベースラインを上回ることが多く、特に単調アテンションとRaschモデル風の埋め込みを使用する場合に顕著である。
• 多くの最近の DLKT モデルはデータセットを越えて安定して vanilla DKT ベースラインを上回らず、場合によってはわずかな利得にとどまる。
• 拡張されたKC系列に対する逐次評価はラベル漏れを引き起こし、報告された性能を過大評価し、真の能力を誤って表す。
• いくつかのデータセットで長い相互作用と短い相互作用の学生間に顕著な性能差があり、文脈長がKC共起パターンと相互作用することを示している。
• KC融合手法（後期AVG、MV など）は小さな性能差を生むことが多く、LF-AVG が最も良い成績を出すことが多く、EF は一部のモデルには適用性が低い。
• 評価プロトコルとデータ前処理は結果に大きく影響するため、標準化された実世界の評価手順の必要性を強調している。