[논문 리뷰] Review of intelligent tutoring systems using bayesian approach

R. Santhi, Bhanu Priya외 1명|arXiv (Cornell University)|2013. 02. 28.

Bayesian Modeling and Causal Inference참고 문헌 4인용 수 11

한 줄 요약

이 논문은 학생의 지식을 모델링하고 적응형 학습을 지원하기 위해 베이지안 네트워크를 활용하는 지능형 튜터링 시스템(ITS)을 검토한다. 확률적 추론을 활용함으로써 이러한 시스템은 학생의 오개념과 전략을 동적으로 평가하여, 학습 효율성과 결과를 향상시키는 개인 맞춤형, 데이터 기반 지도를 가능하게 한다. 인지 튜터링 환경에서의 효과가 뛰어나다.

ABSTRACT

With advancement in computer science research on artificial intelligence and in cognitive psychology research on human learning and performance, the next generation of computer-based tutoring systems moved beyond the simple presentation of pages of text or graphics. These new intelligent tutoring systems (ITSs) called cognitive tutors; incorporated model-tracing technology which is a cognitive model of student problem solving that captures students multiple strategies and common misconceptions. Such Intelligent tutoring systems or Knowledge Based Tutoring Systems can guide learners to progress in the learning process at their best. This paper deals with the review of various Intelligent tutoring systems using Bayesian Networks and how Bayesian Networks can be used for efficient decision making.

연구 동기 및 목표

• 지능형 튜터링 시스템(ITS)에 베이지안 네트워크를 통합하여 학생 모델링 및 적응형 지도를 향상시키는 방법을 검토하기 위해.
• 학습자 지식 상태와 오개념을 추적함으로써 베이지안 추론이 ITS에서 의사결정을 어떻게 지원하는지 분석하기 위해.
• 다양한 학습 전략을 모델링하는 데에 베이지안 네트워크가 통합된 인지 튜터의 효과성을 평가하기 위해.
• 교육 현장에서 베이지안 기반 ITS를 구현할 때의 주요 과제와 기회를 규명하기 위해.
• 기존 시스템의 포괄적인 검토와 교육 분야에서의 확률적 추론 적용을 제공하기 위해.

제안 방법

• 학생의 지식 구성요소와 관찰된 반응 간의 확률적 관계를 표현하기 위해 베이지안 네트워크를 사용한다.
• 베이즈 정리에 기반한 신뢰도 갱신을 통해 상호작용 기반으로 학생의 지식 상태를 동적으로 추정한다.
• 학생의 문제 해결 행동에 대한 인지 모델을 통합하여 다양한 전략과 일반적인 오개념을 포착한다.
• 베이지안 추론을 통합한 모델 트레이싱 기법을 적용하여 개인 맞춤형 학습 경로를 제공한다.
• 지시 결정을 안내하기 위해 확률적 추론을 활용한다. 예를 들어 힌트 제공 및 지지 구조 설정 등.
• 베이지안 네트워크를 사용한 ITS의 사례 연구 및 구현 사례를 검토하여 그 적응 능력을 검증한다.

실험 결과

연구 질문

• RQ1 베이지안 네트워크는 지능형 튜터링 시스템에서 학생의 지식 평가 정확도를 어떻게 향상시킬 수 있는가?
• RQ2 베이지안 기반 ITS는 학생의 오개념과 대체 문제 해결 전략을 어떻게 모델링하고 적응하는가?
• RQ3 교육 튜터링 시스템에서 베이지안 네트워크의 주요 설계 원칙과 기술적 구성 요소는 무엇인가?
• RQ4 베이지안 추론의 통합은 ITS의 적응성과 개인 맞춤화를 어떻게 향상시키는가?
• RQ5 실제 교육 환경에서 베이지안 기반 ITS를 구현할 때의 제한 사항과 과제는 무엇인가?

주요 결과

• 베이지안 네트워크를 통해 확률적 추론을 활용하면 실시간으로 학생의 지식 상태를 정밀하게 추정할 수 있다.
• 베이지안 추론의 통합은 결정론적 모델보다 학생의 오개념을 더 효과적으로 탐지하고 대응할 수 있도록 한다.
• 베이지안 네트워크를 사용하는 시스템은 개인의 학습 프로파일에 기반해 힌트와 간섭 조치를 맞춤형으로 제공함으로써 더 높은 적응성을 보인다.
• 베이지안 네트워크로 강화된 모델 트레이싱은 다양한 문제 해결 전략과 지식 구성요소의 추적을 지원한다.
• 완전하지 않거나 노이즈가 있는 반응 데이터가 존재할 경우에도 확률적 모델의 사용이 학생 모델링의 강건성을 높인다.
• 이 리뷰는 개인 맞춤형, 데이터 기반 지도를 통해 베이지안 기반 ITS가 학습 결과를 향상시킬 잠재력이 높다는 점을 규명한다.