Explainable Knowledge Tracing via Probabilistic Embeddings and Pattern-based Reasoning

작성자

Haebom

카테고리

Empty

저자

Siyu Wu, Cong Xu, Wei Zhang

💡 개요

이 연구는 딥러닝 기반 지식 추적(Knowledge Tracing, KT) 모델의 예측 정확도를 높이는 동시에 해석 가능성을 확보하는 데 초점을 맞춥니다. 기존 모델의 불투명한 잠재 상태 전환 문제를 해결하기 위해, 과거 학습 행동에 대한 목표 조건부 증거 추론 과정을 통해 예측을 수행하는 확률적 논리 지식 추적(Probabilistic Logical Knowledge Tracing, PLKT) 프레임워크를 제안합니다. PLKT는 학생의 지식 상태를 결정론적 벡터 임베딩 대신 베타 분포를 따르는 확률적 임베딩으로 표현하여, 과거 행동의 불확실성을 모델링하고 논리적 연산(예: 논리곱)을 수행함으로써 예측에 기여하는 특정 학습 상호작용을 투명하게 밝힙니다.

🔑 시사점 및 한계

•

해석 가능한 지식 추적: PLKT는 과거 학습 행동이 예측에 어떻게 영향을 미치는지에 대한 투명한 추론 경로를 제공하여, 블랙박스 모델의 한계를 극복하고 교육적 통찰력을 제공합니다.

•

불확실성 모델링: 베타 분포를 활용한 확률적 임베딩은 학생 지식 상태의 불확실성을 효과적으로 모델링하여 더욱 견고한 예측을 가능하게 합니다.

•

향상된 성능: PLKT는 최첨단 KT 방법론들을 능가하는 예측 성능을 달성하면서도 뛰어난 해석 가능성을 보여줍니다.

•

한계점: PLKT의 계산 복잡성 및 실제 교육 환경에서의 확장성에 대한 추가적인 연구가 필요할 수 있습니다.

PDF 보기

Made with Slashpage