[论文解读] RiPLE: Recommendation in Peer-Learning Environments Based on Knowledge Gaps and Interests

Hassan Khosravi, Kendra Cooper+1 more|arXiv (Cornell University)|Apr 3, 2017

Recommender Systems and Techniques被引用 5

一句话总结

RiPLE 是一种针对同伴学习环境（如 PeerWise）的个性化推荐系统，利用矩阵分解技术识别学生的知识盲区和兴趣，生成定制化的学习资源推荐。其在推荐与学生最显著知识盲区匹配的主题方面达到了 89% 的准确率，展现出通过针对性资源推荐显著提升学习成效的强劲潜力。

ABSTRACT

Various forms of Peer-Learning Environments are increasingly being used in post-secondary education, often to help build repositories of student generated learning objects. However, large classes can result in an extensive repository, which can make it more challenging for students to search for suitable objects that both reflect their interests and address their knowledge gaps. Recommender Systems for Technology Enhanced Learning (RecSysTEL) offer a potential solution to this problem by providing sophisticated filtering techniques to help students to find the resources that they need in a timely manner. Here, a new RecSysTEL for Recommendation in Peer-Learning Environments (RiPLE) is presented. The approach uses a collaborative filtering algorithm based upon matrix factorization to create personalized recommendations for individual students that address their interests and their current knowledge gaps. The approach is validated using both synthetic and real data sets. The results are promising, indicating RiPLE is able to provide sensible personalized recommendations for both regular and cold-start users under reasonable assumptions about parameters and user behavior.

研究动机与目标

• 解决在大型同伴学习环境中内容繁多导致学生难以找到相关且个性化的学习资源的挑战。
• 开发一种结合知识盲区检测与兴趣画像的推荐系统，以提升学生的学习效率和参与度。
• 验证基于矩阵分解的方法在为常规用户和新用户（冷启动用户）推荐有效学习材料方面的可行性。
• 评估系统在真实和合成数据下推荐内容与学生实际知识盲区的匹配程度。
• 探索 RiPLE 在教育技术环境中通过数据驱动的个性化推荐提升学习成效的潜力。

提出的方法

• RiPLE 使用矩阵分解建模学生与题目之间的交互行为，通过历史数据推断潜在的知识 profile。
• 通过比较学生在题目上的预测表现与实际表现，构建知识盲区矩阵，识别出学生表现不佳的主题。
• 结合知识盲区评分与基于交互历史推导出的学生兴趣画像，计算个性化推荐。
• 采用结合矩阵分解的协同过滤方法，生成既贴合知识盲区又符合用户兴趣的推荐。
• 该模型在合成数据和来自一门本科生 C 语言编程课程的 PeerWise 实际数据集上进行训练与验证。
• 未来扩展将考虑数据中的时间戳，以建模学生知识随时间的演变。

实验结果

研究问题

• RQ1 基于矩阵分解的推荐系统能否有效识别并推荐可解决同伴学习环境中个体学生知识盲区的学习资源？
• RQ2 RiPLE 在为常规用户和新用户（冷启动用户）推荐个性化学习材料方面表现如何？
• RQ3 RiPLE 的推荐与学生实际知识盲区及学习成效的相关性有多大？
• RQ4 该系统如何在不集中于全班共性弱点的前提下保持推荐的多样性？
• RQ5 在控制性 A/B 实验中，RiPLE 的推荐是否能带来可测量的学生学习成效提升？

主要发现

• RiPLE 准确识别出与期末考试表现相关的知识盲区，表明其对学生 profile 的构建具有准确性。
• 89% 的学生至少获得了一条与其最显著知识盲区匹配的推荐，表明推荐内容具有高度相关性。
• 系统在单次测试中推荐了 99 种不同的题目，显示出推荐的多样性，并避免了对常见弱点的过度集中。
• 在合成数据中，该模型在多种参数设置下均表现出稳健行为，支持其在真实场景部署中的可靠性。
• 结果表明，RiPLE 即使在内容库庞大的大规模同伴学习环境中，也能提供个性化且实用的推荐。
• 未来将开展 A/B 实验，以检验 RiPLE 的推荐是否相比随机推荐能带来可测量的学习成效提升。