[论文解读] GritNet 2: Real-Time Student Performance Prediction with Domain Adaptation.

Byung‐Hak Kim, Ethan Vizitei+1 more|arXiv (Cornell University)|Sep 7, 2018

Online Learning and Analytics参考文献 12被引用 7

一句话总结

本文提出 GritNet 2，一种基于无监督域自适应的实时学生表现预测模型，通过将带标签的过去课程知识迁移至新课程（无标签），实现对新课程早期阶段的高精度预测。该模型在不同 Nanodegree 项目中展现出强大的泛化能力，尤其在课程初期的预测准确率显著提升。

ABSTRACT

Increasingly fast development and update cycle of online course contents, and diverse demographics of students in each online classroom, make student performance prediction in real-time (before the course finishes) an interesting topic for both industrial research and practical needs. In that, we tackle the problem of real-time student performance prediction with on-going courses in domain adaptation framework, which is a system trained on students' labeled outcome from one previous coursework but is meant to be deployed on another. In particular, we first review recently-developed GritNet architecture which is the current state of the art for student performance prediction problem, and introduce a new unsupervised domain adaptation method to transfer a GritNet trained on a past course to a new course without any (students' outcome) label. Our results for real Udacity students' graduation predictions show that the GritNet not only generalizes well from one course to another across different Nanodegree programs, but enhances real-time predictions explicitly in the first few weeks when accurate predictions are most challenging.

研究动机与目标

• 解决在线课程中因内容快速变化和学生群体多样性带来的实时学生表现预测挑战。
• 实现在过去课程（带结果标签）中训练的学生表现预测模型向新课程（无任何结果标签）的有效迁移。
• 在课程关键初期阶段（此时准确预测最为困难）提升预测准确率。

提出的方法

• 采用域自适应框架，将最先进的 GritNet 架构适配于实时学生表现预测任务。
• 应用无监督域自适应方法，在不使用目标域（新课程）标签的前提下，对齐源域（过去课程）与目标域（新课程）的特征分布。
• 在源课程的带标签数据上微调 GritNet 模型，利用域不变表示将模型迁移至目标课程。
• 利用时间动态特征与早期学生行为模式，增强课程初期的实时预测能力。
• 使用域自适应损失函数，最小化源域与目标域特征之间的差异，同时保持预测性能。

实验结果

研究问题

• RQ1 在目标课程中完全无结果标签的情况下，基于某一课程训练的学生表现预测模型能否有效泛化至新课程？
• RQ2 GritNet 2 在实时预测中的表现如何，特别是在数据有限的课程初期阶段？
• RQ3 在不同 Nanodegree 项目之间迁移时，无监督域自适应在多大程度上提升了预测准确率？

主要发现

• GritNet 2 在不同 Nanodegree 项目之间泛化良好，展现出从源课程到目标课程的强迁移能力。
• 该模型显著提升了课程初期（预测最为困难的阶段）的实时预测性能。
• 无监督域自适应方法在无需目标课程任何标签的情况下，实现了有效的知识迁移。
• 尽管面临课程内容与学生群体差异带来的领域偏移，模型仍保持了高水平的预测性能。