[논문 리뷰] Modeling Knowledge Acquisition from Multiple Learning Resource Types

Siqian Zhao, Chunpai Wang외 1명|arXiv (Cornell University)|2020. 06. 23.

Intelligent Tutoring Systems and Adaptive Learning참고 문헌 47인용 수 8

한 줄 요약

이 논문은 다중 시각 텐서 분해를 사용하여 다양한 학습 자료 유형—예를 들어 영상, 과제, 문제 등—으로부터 학생의 지식 성장을 동시에 모델링하는 다중 시각 지식 모델(MVKM)을 제안한다. 이 모델은 점진적인 학습과 흔적의 기억 상실을 반영할 수 있도록 민감한 지식 증가 목적 함수를 도입하여 학생의 성과 예측 성능을 향상시킨다. 기존의 기준 모델들보다 뛰어난 성능을 보이며, 명시적인 콘텐츠나 구조적 메타데이터에 의존하지 않고도 서로 다른 유형의 학습 자료 간에 숨겨진 구조적 및 콘텐츠 기반 유사성을 드러낸다.

ABSTRACT

Students acquire knowledge as they interact with a variety of learning materials, such as video lectures, problems, and discussions. Modeling student knowledge at each point during their learning period and understanding the contribution of each learning material to student knowledge are essential for detecting students' knowledge gaps and recommending learning materials to them. Current student knowledge modeling techniques mostly rely on one type of learning material, mainly problems, to model student knowledge growth. These approaches ignore the fact that students also learn from other types of material. In this paper, we propose a student knowledge model that can capture knowledge growth as a result of learning from a diverse set of learning resource types while unveiling the association between the learning materials of different types. Our multi-view knowledge model (MVKM) incorporates a flexible knowledge increase objective on top of a multi-view tensor factorization to capture occasional forgetting while representing student knowledge and learning material concepts in a lower-dimensional latent space. We evaluate our model in different experiments toshow that it can accurately predict students' future performance, differentiate between knowledge gain in different student groups and concepts, and unveil hidden similarities across learning materials of different types.

연구 동기 및 목표

• 기존의 학생 지식 모델이 주로 문제 유형의 학습 자료에만 집중하는 데에 기인한 한계를 해결하기 위해.
• 평가 유형(예: 시험)과 비평가 유형(예: 영상, 독서)을 포함한 이질적인 학습 자료에서의 지식 습득을 모델링하기 위해.
• 명시적인 메타데이터에 의존하지 않고 학생의 상호작용을 바탕으로 영상과 과제와 같은 서로 다른 유형의 학습 자료 간의 잠재적 유사성을 발견하기 위해.
• 점진적인 지식 성장과 흔적의 기억 상실을 반영함으로써 정확한 학생 성과 예측을 가능하게 하기 위해.
• 통합된 저차원 잠재 공간에서 동시에 학생 지식과 도메인 지식 구성 요소를 모델링하기 위해.

제안 방법

• 다양한 학습 자료 유형 각각을 별도의 텐서로 표현하여 학생의 상호작용을 모델링한다.
• 다중 시각 텐서 분해를 적용하여 다양한 자료 유형 간에 학생 지식과 학습 자료 개념을 동시에 모델링한다.
• 점진적인 지식 습득과 흔적의 기억 상실을 반영할 수 있도록 민감한 지식 증가 목적 함수를 도입한다.
• 잠재 요인 행렬을 사용하여 공통의 저차원 공간에서 학생 지식 상태와 학습 자료 개념을 표현한다.
• 관측된 성과와 일치하는 방식으로 학습 자료의 상대적 난이도를 반영하기 위해 학습 자료의 편향 파rameter를 통합한다.
• 학습된 Q 행렬에 스펙트럴 클러스터링을 적용하여 서로 다른 유형 간의 학습 자료 간에 숨겨진 유사성을 탐색한다.

실험 결과

연구 질문

• RQ1 통합된 모델이 평가 유형과 비평가 유형을 포함한 다양한 학습 자료 유형에서 지식 성장을 효과적으로 포착할 수 있는가?
• RQ2 기존 기준 모델들과 비교해 볼 때 모델의 향후 학생 성과 예측 능력은 어느 정도인가?
• RQ3 모델이 서로 다른 유형의 학습 자료 간에 숨겨진 구조적 및 콘텐츠 기반 유사성을 어느 정도 드러낼 수 있는가?
• RQ4 모델이 학습한 잠재 개념이 실제 강의의 구조와 콘텐츠 유사성과 일치하는가?
• RQ5 모델의 편향 파rameter가 다양한 학습 자료의 상대적 난이도를 어떻게 반영하는가?

주요 결과

• MVKM은 합성 및 실세계 데이터셋 모두에서 기준 모델들보다 낮은 제곱근 평균 제곱 오차(RMSE)와 평균 절대 오차(MAE)를 기록하여 성과 예측 정확도를 크게 향상시켰다.
• 모델은 학생 집단과 개념 간의 지식 습득을 효과적으로 구분하여 개인의 학습 궤적과 성장 패턴을 포착할 수 있었다.
• MVKM는 명시적인 콘텐츠나 구조 정보 없이도 동일한 강의 모듈에 속하거나 주제가 유사한 자료들 간의 구조적 유사성과 콘텐츠 유사성을 기반으로 학습 자료를 클러스터링할 수 있었다.
• 학습 자료의 학습된 편향 파rameter는 실제 난이도와 상관관계가 있었으며, 성과 추세를 통해 확인되었다.
• 다양한 유형 간 클러스터링 분석을 통해 과제와 영상 강의가 시간적 순서와 주제 일치성에 기반해 함께 군집되는 것을 확인했으며, 이는 모델이 이질적 자료 간 관계를 효과적으로 드러내는 능력을 지녔음을 보여준다.
• 과제를 모델에 포함시켰을 때, 이전에는 분리되어 있었던 영상 강의들(예: 제1주 소개 강의와 W1 V1: 교육 분야의 빅데이터)이 콘텐츠 유사성에 기반해 함께 군집되는 것을 관찰했으며, 이는 이질적 자료 간 관계 탐색 능력 향상을 보여준다.