Grunnleggende konsepter
시간적 관계와 구조적 관계를 모두 고려하여 학생의 지식 상태를 효과적으로 추적하는 새로운 모델 제안
Sammendrag
이 논문은 학생의 지식 상태를 효과적으로 추적하기 위해 시간적 관계와 구조적 관계를 모두 고려하는 새로운 모델인 Temporal Graph Memory Network(TGMN)을 제안한다.
주요 내용은 다음과 같다:
- 시간적 그래프 메모리 모듈을 통해 지식 구성 요소(KC) 간의 관계와 시간에 따른 지식 상태 변화를 모델링
- 질문-KC 관계와 학생의 연습 이력을 모두 고려하여 질문에 대한 정답 확률을 예측
- 학생의 망각 행동을 고려하기 위해 시간 감쇠 기법을 제안
- 다양한 지식 추적 벤치마크 데이터셋에서 기존 모델들과 비교하여 우수한 성능 달성
이를 통해 학생의 지식 상태를 보다 정확하게 추적할 수 있으며, 개인화된 학습 경험 제공에 활용될 수 있다.
Statistikk
학생의 지식 상태는 시간에 따라 상승, 정체, 하락할 수 있다.
학생의 망각 행동은 지식 상태 변화에 영향을 미친다.
질문과 지식 구성 요소(KC) 간의 관계가 지식 상태 변화에 영향을 준다.
Sitater
"Tracing a student's knowledge growth given the past exercise answering is a vital objective in automatic tutoring systems to customize the learning experience."
"Few approaches [21], [22] considered both sequence and graph contexts during the answer prediction. Yet, they modeled separate representations for sequence and graph contexts and used handcrafted features [22] to represent a student's forgetting behavior."
"We propose a novel temporal graph memory network (TGMN) that could capture both exercise answering temporal context and structural relationships among KCs in a joint representation."