[論文レビュー] Modeling Knowledge Acquisition from Multiple Learning Resource Types

Siqian Zhao, Chunpai Wang+1 more|arXiv (Cornell University)|Jun 23, 2020

Intelligent Tutoring Systems and Adaptive Learning参考文献 47被引用数 8

ひとこと要約

本論文は、動画、課題、問題など多様な学習リソースタイプからの学生の知識成長を、柔軟な知識増加目的を用いたマルチビューテンソル因子分解により統合的にモデル化するMulti-View Knowledge Model (MVKM)を提案する。このモデルは、段階的な学習と時折の忘却を捉えることができ、従来手法よりも学生のパフォーマンス予測をより正確にし、明示的なコンテンツや構造的メタデータに依存せずに、異なるタイプの学習教材間の隠れた構造的およびコンテンツベースの類似性を明らかにする。

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.

研究の動機と目的

• 既存の学生の知識モデルが主に問題のみに焦点を当てているという限界に対処すること。
• 評価付き（例：クイズ）および非評価付き（例：動画、読書）の両方を含む多様な学習教材からの知識習得をモデル化すること。
• 明示的なメタデータに依存せず、学生のインタラクションに基づいて、動画や課題など異なるタイプの学習教材間の隠れた類似性を同定すること。
• 段階的な知識成長と時折の忘却を捉えることで、学生のパフォーマンス予測を正確にすること。
• 統一的で低次元の潜在空間において、学生の知識とドメイン知識のコンポonentを同時にモデル化すること。

提案手法

• 複数の学習リソースタイプごとに、それぞれが別個のテンソルとして学生のインタラクションを定式化する。
• マルチビュー・テンソル因子分解を用いて、異なるリソースタイプ間で学生の知識と学習教材のコンセプトを統合的にモデル化する。
• 段階的な知識獲得と時折の忘却をモデル化するための柔軟な知識増加目的を導入する。
• 潜在要因行列を用いて、共有の低次元空間における学生の知識状態と学習教材のコンセプトを表現する。
• 観察されたパフォーマンスに整合するように、学習教材の相対的な難易度を反映するバイアスパラメータを組み込む。
• 学習済みのQ行列に対してスペクトルクラスタリングを適用し、異種間の学習教材間の隠れた類似性を発見する。

実験結果

リサーチクエスチョン

• RQ1 統一的なモデルは、評価付きおよび非評価付きの両方を含む多様な学習リソースタイプからの知識成長を効果的に捉えることができるか？
• RQ2 従来のベースラインと比較して、このモデルは将来の学生のパフォーマンスをどの程度正確に予測できるか？
• RQ3 このモデルは、異種の学習教材間の隠れた構造的およびコンテンツベースの類似性をどの程度明らかにできるか？
• RQ4 モデルが学習した潜在コンセプトは、コースの構造やコンテンツの現実世界の類似性と整合しているか？
• RQ5 モデルのバイアスパラメータは、異なる学習教材の相対的な難易度をどの程度適切に反映しているか？

主な発見

• MVKMは、合成データおよび実世界のデータセットの両方で、従来手法よりも低いRoot Mean Squared Error (RMSE) および Mean Absolute Error (MAE) を達成し、パフォーマンス予測の精度を顕著に向上させた。
• モデルは学生のグループやコンセプトごとの知識獲得の違いを的確に捉え、個々の学習経路や成長パターンを把握できた。
• MVKMは、明示的なコンテンツや構造情報がなくても、同じコースモジュール内にあるなど構造的類似性（例：同じモジュール）とコンテンツ的類似性（例：テーマの一致）に基づいて学習教材をクラスタリングした。
• モデルが学習したバイアスパラメータは、実際の難易度と相関しており、パフォーマンスのトレンドから確認された。
• 異種間クラスタリングにより、課題と動画レクチャーが時間的近接性とテーマ的一致性に基づいてグループ化されたことが明らかになり、モデルが異種間の関係性を発見できる能力を示した。
• 課題をモデルに組み込むことで、以前は分離されていた動画レクチャー（例：第1週の紹介とW1 V1: 教育におけるビッグデータ）が、コンテンツの類似性に基づいてクラスタリングされた。これは、異種間関係性の発見が強化されたことを示している。