[논문 리뷰] A Comprehensive Survey on Deep Learning Techniques in Educational Data Mining

Yuanguo Lin, Hong Chen외 4명|arXiv (Cornell University)|2023. 09. 09.

Online Learning and Analytics인용 수 4

한 줄 요약

이 종합적 리뷰는 교육 데이터 마이닝(EDM) 분야에서의 딥러닝 기법에 대한 포괄적인 검토를 제공하며, 지도학습, 비지도학습, 강화학습을 포함한 네 가지 핵심 시나리오인 지식 추적, 학생 행동 탐지, 성과 예측, 개인화 추천를 다룹니다. 최신 모델, 벤치마크, 데이터셋, 도구를 통합적으로 분석하면서 정의성, 개인정보 보호, 다중모odal 학습 분야의 주요 과제와 향후 방향성을 규명합니다.

ABSTRACT

Educational Data Mining (EDM) has emerged as a vital field of research, which harnesses the power of computational techniques to analyze educational data. With the increasing complexity and diversity of educational data, Deep Learning techniques have shown significant advantages in addressing the challenges associated with analyzing and modeling this data. This survey aims to systematically review the state-of-the-art in EDM with Deep Learning. We begin by providing a brief introduction to EDM and Deep Learning, highlighting their relevance in the context of modern education. Next, we present a detailed review of Deep Learning techniques applied in four typical educational scenarios, including knowledge tracing, student behavior detection, performance prediction, and personalized recommendation. Furthermore, a comprehensive overview of public datasets and processing tools for EDM is provided. We then analyze the practical challenges in EDM and propose targeted solutions. Finally, we point out emerging trends and future directions in this research area.

연구 동기 및 목표

• 교육 데이터 마이닝(EDM) 내 딥러닝 응용 분야에서의 현재 최고 수준의 기술 상태를 체계적으로 검토하기 위해.
• 딥러닝 기법이 텍스트, 멀티미디어, 학생 상호작용 등 복잡하고 고차원적인 교육 데이터에서 발생하는 과제를 어떻게 해결하는지 분석하기 위해.
• EDM 모델에서의 공정성 및 개인정보 보호와 같은 윤리적 문제를 포함한 벤치마크 데이터셋과 평가 지표의 격차를 규명하기 위해.
• 다중모달 학습, 개인 정보 보호 기법(예: 차별적 개인정보 보호 및 피어드레이트 학습) 및 표준화된 평가 프레임워크를 포함한 향후 연구 방향을 제안하기 위해.

제안 방법

• 딥러닝을 지도학습, 비지도학습, 강화학습의 세 가지 주요 유형으로 분류하고, 각각을 특정 EDM 응용 분야에 대응시킴.
• 지식 추적을 위한 고급 아키텍처인 딥 지식 트래킹(DKT), 메모리 네트워크, 어텐션 메커니즘, 그래프 신경망 등을 검토함.
• 졸업 유예 예측을 위한 복잡한 신경망을 포함한 학생 행동 탐지용 딥러닝 모델을 분석함.
• 장기적 학습 데이터를 기반으로 훈련된 딥러닝을 활용한 성과 예측 모델이 학생의 결과를 고정밀도로 예측할 수 있음을 검토함.
• 개인화 학습에서 주목받는 하이브리드 추천 시스템을 평가하며, 개인정보 보호 및 모델 투명성과 같은 새로운 문제를 강조함.
• 개인정보 보호를 위해 생성적 적대적 네트워크(GANs)를 활용한 합성 데이터 생성을 통한 기법을 제안함.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 어떻게 복잡한 교육 데이터를 다룰 때 기존 머신러닝 기법보다 뛰어난 성능을 발휘하는가?
• RQ2 EDM에서 지식 추적, 학생 행동 탐지, 성과 예측, 개인화 추천 분야에서 가장 효과적인 딥러닝 아키텍처는 무엇인가?
• RQ3 현재 EDM 연구에서 공개된 데이터셋과 평가 지표의 한계는 무엇인가?
• RQ4 교육 분석에 사용되는 딥러닝 모델에서 공정성과 개인정보 보호를 어떻게 확보할 수 있는가?
• RQ5 다중모달 학습, 피어드레이트 학습, 대비 학습 등 향후 연구 방향은 EDM 분야의 발전을 어떻게 이끌 수 있는가?

주요 결과

• 딥러닝 모델은 원시 데이터로부터 계층적 특징을 자동으로 학습함으로써 전통적 방법보다 뛰어난 성능을 발휘하며, 수동적인 특징 공학의 필요성을 제거함.
• DKT 및 그 변종(예: 어텐션 또는 그래프 구조를 갖춘 것들)은 순차적 학습 패턴을 효과적으로 포착함으로써 지식 추적 분야에서 최고 수준의 성능을 달성함.
• 신경망은 복잡한 시간적 및 행동적 시퀀스를 모델링함으로써 졸업 유예 예측과 같은 학생 행동 탐지 작업에서 높은 정확도를 보임.
• 장기적 학습 데이터를 기반으로 훈련된 딥러닝 기반 성과 예측 모델은 학생의 결과 예측에 강력한 예측 능력을 보임.
• 하이브리드 추천 시스템은 개인화 학습 분야에서 주요한 접근 방식으로 부상하고 있으나, 데이터 개인정보 보호 및 모델 투명성 문제에 대한 우려가 증가하고 있음.
• 향후 발전은 차별적 개인정보 보호, 피어드레이트 학습, GAN을 활용한 합성 데이터 생성 기법과 함께 표준화된 평가 프레임워크 및 공정성 인식 알고리즘을 통해 이룩될 것으로 기대됨.