[论文解读] Knowledge Spaces and Learning Spaces

Jean‐Paul Doignon, Jean‐Claude Falmagne|arXiv (Cornell University)|Nov 20, 2015

Online Learning and Analytics被引用 6

一句话总结

本文提出了知识空间理论（KST）及其在学习空间理论（LST）中的实际应用，提供了一套组合框架，用于将学生知识建模为已掌握概念的集合。该理论支持逐项自适应评估，通过概率马尔可夫过程预测学习准备度，并通过ALEKS系统在现实世界中得到验证，该系统在实际应用中将课程退学率最高降低了50%。

ABSTRACT

How to design automated procedures which (i) accurately assess the knowledge of a student, and (ii) efficiently provide advices for further study? To produce well-founded answers, Knowledge Space Theory relies on a combinatorial viewpoint on the assessment of knowledge, and thus departs from common, numerical evaluation. Its assessment procedures fundamentally differ from other current ones (such as those of S.A.T. and A.C.T.). They are adaptative (taking into account the possible correctness of previous answers from the student) and they produce an outcome which is far more informative than a crude numerical mark. This chapter recapitulates the main concepts underlying Knowledge Space Theory and its special case, Learning Space Theory. We begin by describing the combinatorial core of the theory, in the form of two basic axioms and the main ensuing results (most of which we give without proofs). In practical applications, learning spaces are huge combinatorial structures which may be difficult to manage. We outline methods providing efficient and comprehensive summaries of such large structures. We then describe the probabilistic part of the theory, especially the Markovian type processes which are instrumental in uncovering the knowledge states of individuals. In the guise of the ALEKS system, which includes a teaching component, these methods have been used by millions of students in schools and colleges, and by home schooled students. We summarize some of the results of these applications.

研究动机与目标

• 开发一种非数值的、组合的框架，用于评估学生知识，超越标准化测试评分方式。
• 解决心理测量模型的局限性，后者将能力简化为粗略类别（例如，SAT分数从200–800以10分为步长）。
• 设计一种理论，将知识表示为结构化的可行知识状态集合，从而实现对掌握程度的精确诊断。
• 通过概率马尔可夫过程实现自适应、高效的评估，以最少的问题揭示个体知识状态。
• 在真实教育系统中应用该理论，特别是ALEKS，以改善学习成果和分班准确性。

提出的方法

• 将知识建模为在并集下封闭且具有良好分级性的‘知识结构’，形成一种‘学习空间’——这是拟序集或凸几何的特例。
• 运用‘边界定理’（Fringe Theorem）基于学生当前的知识状态，预测其下一步可学习的项目。
• 使用概率知识结构和马尔可夫过程，对正确回答的可能性进行建模，并在评估过程中不断精炼知识状态估计。
• 通过高效的组合摘要方法（例如，基集、闭包系统）管理包含数百万状态的大规模学习空间。
• 通过大规模数据挖掘和专家验证构建特定领域的学习空间，例如包含最多650个项目的初级代数领域。
• 部署ALEKS系统以实现该理论：自适应评估、实时知识状态估计以及个性化学习路径生成。

实验结果

研究问题

• RQ1 如何将学生知识建模为已掌握概念的组合结构，而非标量测试分数？
• RQ2 哪些公理条件可确保知识结构支持自适应、高效的评估和学习路径预测？
• RQ3 如何高效地总结和管理大规模学习空间（包含数百万状态）以实现实际应用？
• RQ4 概率马尔可夫过程在多大程度上能准确地从回答模式估计学生的知识状态？
• RQ5 在真实教育环境中应用KST后，可实现哪些可衡量的学习成果改进？

主要发现

• 基于KST的ALEKS系统，通过25–35道题的评估，即可准确确定学生在初级代数等领域的知识状态。
• 在2006至2008年间，该系统将大学水平数学课程（如BusCalc、Calc、CalcExp）的退学率最高降低了50%，并显著推动学生从较低阶课程向更高阶课程流动。
• ‘边界定理’为预测学生下一步可学习的项目提供了正式基础，从而实现有效且个性化的学习路径。
• 学习空间在数学上等价于拟序集和凸几何，确保了良好分级且一致的状态转换。
• 该理论支持通过专家输入和大规模评估数据实现可扩展的、数据驱动的学习空间构建，已在多个领域得到验证。
• ALEKS系统已在全球数百万名学生（包括中小学、高校及家庭教育）中使用，证明了其强大的现实适用性和长期影响。