지능형 튜터링 시스템(ITS)에서 수집된 학습자 성과 데이터(질문에 대한 응답 등)는 학습자의 지식 상태를 모델링하고 예측하는 데 필수적입니다. 그러나 건너뛰기 또는 불완전한 시도로 인한 응답 누락은 데이터의 희소성을 초래하여 정확한 평가와 개인화된 교육을 어렵게 만듭니다. 본 연구에서는 생성적 적대적 임피테이션 네트워크(GAIN)를 사용한 생성적 대입 방법을 제안합니다. 이 방법은 3차원 프레임워크(학습자, 질문, 시도)를 특징으로 하여 다양한 희소성 수준에 유연하게 적응합니다. 합성곱 신경망으로 향상되고 최소 제곱 손실 함수로 최적화된 GAIN 기반 방법은 학습자 차원을 따라 질문-시도 행렬에 입력 및 출력 차원을 맞춥니다. AutoTutor 성인 독해력(ARC), ASSISTments, MATHia의 데이터 세트를 사용한 광범위한 실험을 통해 제안된 방법이 다양한 시도 시나리오에서 대입 정확도 측면에서 텐서 분해 및 대안적인 GAN 방법을 상당히 능가함을 보여줍니다. 베이지안 지식 추적(BKT)은 초기 지식(P(L0)), 학습률(P(T)), 추측률(P(G)), 실수율(P(S))과 같은 학습 매개변수를 추정하여 대입된 데이터의 효과를 추가로 검증합니다. 결과는 대입된 데이터가 모델 적합도를 향상시키고 원래 분포를 정확하게 반영하여 기본적인 학습 행동을 안정적으로 포착함을 나타냅니다. 쿨백-라이블러(KL) 발산 평가는 최소 발산을 확인하여 대입된 데이터가 필수적인 학습 특성을 효과적으로 보존함을 보여줍니다. 이러한 결과는 GAIN이 ITS에서 강력한 대입 도구로서 데이터 희소성을 완화하고 적응적이고 개별화된 교육을 지원하여 궁극적으로 더 정확하고 반응성이 뛰어난 학습자 평가와 교육 결과 개선으로 이어짐을 강조합니다.
