[论文解读] Towards an Integrative Educational Recommender for Lifelong Learners

Sahan Bulathwela, María Pérez‐Ortiz+2 more|arXiv (Cornell University)|Dec 3, 2019

Intelligent Tutoring Systems and Adaptive Learning参考文献 13被引用 7

一句话总结

该论文提出 TrueLearn，一种新颖的概率教育推荐系统，通过整合学习者知识、内容新颖性、资源质量与好奇心，实现终身学习的个性化推荐。通过重新构建 TrueSkill 算法以建模动态知识与参与度，其在 F1 分数上达到 0.677，优于基线模型如 Vanilla TrueSkill（0.400）和 Multi-Skill KT（0.259），同时保持可解释性与可扩展性。

ABSTRACT

One of the most ambitious use cases of computer-assisted learning is to build a recommendation system for lifelong learning. Most recommender algorithms exploit similarities between content and users, overseeing the necessity to leverage sensible learning trajectories for the learner. Lifelong learning thus presents unique challenges, requiring scalable and transparent models that can account for learner knowledge and content novelty simultaneously, while also retaining accurate learners representations for long periods of time. We attempt to build a novel educational recommender, that relies on an integrative approach combining multiple drivers of learners engagement. Our first step towards this goal is TrueLearn, which models content novelty and background knowledge of learners and achieves promising performance while retaining a human interpretable learner model.

研究动机与目标

• 解决为具有多样化背景与媒介形式的学习者推荐个性化、高参与度教育内容的挑战。
• 克服现有系统仅关注用户兴趣或狭窄技能追踪的局限，通过整合多种参与驱动因素（新颖性、知识、质量与好奇心）实现改进。
• 实现对长期学习者状态的可扩展、透明且数据高效的建模，无需依赖显式反馈。
• 通过使用 Wikification 的自动实体链接，支持多语言与多模态学习资源。
• 开发一种支持学习轨迹规划与监控的系统，同时保持对学习者的可解释性。

提出的方法

• 重新构建 TrueSkill 算法，利用隐式参与信号，将学习者知识与内容新颖性建模为动态、概率化的因素。
• 构建一个概率图模型（TrueLearn 因子图），将资源主题（d）、当前知识（k）、新颖性（n）与参与度（εℓ）作为隐变量进行整合。
• 使用 Wikification 自动提取每段讲座的 5 个最相关维基百科主题，实现多语言与多模态内容表示。
• 将讲座转录文本划分为 5,000 字符的片段（约 5 分钟），以实现对知识片段而非完整资源的细粒度推荐。
• 将参与度定义为归一化观看时间，并采用在线增量学习方法，长期保持可扩展的学习者表征。
• 以在线方式按学习者独立训练模型，实现实时适应与长期知识追踪。

实验结果

研究问题

• RQ1 在终身学习背景下，推荐系统如何有效同时建模多种学习者参与驱动因素——知识、新颖性、质量与好奇心？
• RQ2 重新构建的 TrueSkill 算法是否能成功建模动态学习者知识与内容新颖性，同时保持可解释性与可扩展性？
• RQ3 与传统的知识追踪或 IRT 模型相比，整合内容新颖性与背景知识在多大程度上提升了推荐性能？
• RQ4 在真实世界中具有隐式参与信号的多语言、多模态环境中，该系统表现如何？
• RQ5 该模型能否支持透明、人类可解释的学习者表征，以辅助元认知与学习轨迹规划？

主要发现

• TrueLearn 在 VideoLectures.Net 全数据集上的平均 F1 分数达到 0.677，显著优于次佳基线模型 Naïve majority（0.640）。
• TrueLearn 超越 Vanilla TrueSkill（0.400）与 Multi-Skill KT（0.259），证明了整合新颖性与动态知识建模的有效性。
• 通过基于维基百科主题的人类可解释知识空间与在线学习，模型保持了可扩展性与透明性。
• 使用自动 Wikification 实现了跨多种语言与模态的可扩展、领域无关的知识组件提取。
• 隐式参与信号（归一化观看时间）足以推断复杂的学习者状态，而无需显式反馈。
• 结果验证了建模多种参与驱动因素（尤其是新颖性与知识）可带来更准确、更个性化的推荐。