[论文解读] 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 8

一句话总结

本文提出了一种多视角知识模型（MVKM），通过灵活的知识增长目标，利用多视角张量分解联合建模学生从多种学习资源类型（如视频、作业和习题）中的知识增长，以捕捉渐进式学习和偶尔的遗忘。该模型在性能预测方面优于基线模型，并且无需依赖显式的內容或结构元数据，即可揭示不同类型学习材料之间的隐藏结构与内容相似性。

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.

研究动机与目标

• 解决现有学生知识模型仅关注一种学习资源类型（主要为习题）的局限性。
• 建模来自异构学习材料的知识获取，包括评分类（如测验）和非评分类（如视频、阅读材料）类型。
• 基于学生交互行为，而非显式元数据，发现不同类型学习材料（如视频与作业）之间的潜在相似性。
• 通过捕捉渐进式知识增长和偶尔的遗忘，实现对学生表现的准确预测。
• 在统一的低维潜在空间中，同时建模学生知识和领域知识组件。

提出的方法

• 将学生与多种学习资源类型之间的交互表示为独立的张量，每类资源对应一个张量。
• 应用多视角张量分解，联合建模不同资源类型下的学生知识与学习材料概念。
• 引入灵活的知识增长目标，以建模学习过程中的渐进式知识获取和偶尔的遗忘。
• 使用潜在因子矩阵在共享的低维空间中表示学生知识状态和学习材料概念。
• 引入学习材料的偏置参数，以反映其相对难度，与观测到的表现一致。
• 在学习到的 Q 矩阵上应用谱聚类，以发现不同类型学习材料之间的隐藏相似性。

实验结果

研究问题

• RQ1 统一模型能否有效捕捉来自多样化学习资源类型（包括评分与非评分材料）的知识增长？
• RQ2 与现有基线模型相比，该模型在预测未来学生表现方面表现如何？
• RQ3 该模型在多大程度上能揭示不同类型学习材料之间的隐藏结构与内容相似性？
• RQ4 模型所学习到的潜在概念是否与课程结构和内容的实际相似性一致？
• RQ5 模型的偏置参数在多大程度上反映了不同学习材料的相对难度？

主要发现

• MVKM 显著提升了性能预测的准确性，在合成数据集和真实世界数据集上均实现了比基线模型更低的均方根误差（RMSE）和平均绝对误差（MAE）。
• 该模型成功区分了不同学生群体和概念的知识增长，捕捉到个体学习轨迹与增长模式。
• MVKM 即使在缺乏显式内容或结构信息的情况下，也能基于结构相似性（如同一课程模块）和内容相似性（如主题一致性）对学习材料进行聚类。
• 模型学习到的偏置参数与学习材料的实际难度高度相关，经表现趋势验证。
• 跨类型聚类显示，作业与视频讲座因时间接近性和主题内容而被归为一类，表明模型具备揭示跨类型关系的能力。
• 当作业被纳入模型时，此前未连接的视频讲座（如第1周导论与W1 V1：教育中的大数据）因内容相似性而被聚类在一起，显示出模型在增强跨类型关系发现方面的优势。