dkt
-
[Knowledge Tracing] Deep-IRTKnowledge Tracing 2022. 9. 14. 11:18
논문 링크: https://arxiv.org/abs/1904.11738 Intro 딥러닝 모델(DKVMN)과 심리측정 모델(IRT)을 결합한 것 1. DKVMN으로 이력 데이터로부터 latent feature를 추출하고, 이를 바탕으로 KC 난이도와, KC에 대한 각 학생의 능력치를 추론한다. 2. 그 다음엔 IRT로 학생이 특정 KC문항을 맞출 확률을 예측한다. --> 정통 IRT와 다른 점: IRT에서 학생의 능력치는 고정된 모수이지만 Deep-IRT에서는 학생 능력치가 시간에 따라 변화한다고 본다. --> Deep-IRT는 딥러닝으로 human-engineering이 어려운 피쳐를 포착함과 동시에 IRT로 explainability도 높였다는 점에서 의미가 있다. 하지만 DKT에서와 비슷하게 rec..
-
[Knowledge Tracing] DIMKT (Assessing Student’s Dynamic Knowledge State by Exploring the Question Difficulty Effect)Knowledge Tracing 2022. 8. 11. 11:59
논문 링크: http://staff.ustc.edu.cn/~huangzhy/files/papers/ShuanghongShen-SIGIR2022.pdff 코드 링크: https://github.com/shshen-closer/DIMKT 기존 모델 기존 dkt에서는 문항들이 difficulty level을 고려하지 않고 관련된 kc에 의해서만 표현됨 → 따라서 학생들의 지식상태를 잘못 측정함 예를 들어 그림에서 kc1에 해당하는 문항 1,2,5,7 중에서 난이도 상에 해당하는 1,5를 모두 틀렸음에도 불구하고 지식상태가 high level로 측정됨 물론 문항 난이도를 고려하는 모델들이 있었다. ekt, rkt에서는 문항 텍스트를 통해 문항 난이도를 간접적으로 고려했고, akt에서는 irt를 기반으로 문항 임..