Work

Deep Knowledge Tracing を用いた学習不振兆候の検出

Year: 2020
Type: dissertation
Abstract: 学校でのデジタル学習環境の利用は,学習プロセスに関する構成要素の研究のみではなく,この情報を元に学習者の躓いている学生を特定し支援するデジタル学習環境を提供している.また,学習者において学習の持続性は学生の成功に重要な学習要素として考えられている.学習プロセスにおいて,Wheel SpinningとStopoutは,持続性に関する学習不振兆候を示す重要な現象である.Stopoutは成功するのに十分な持続性を示さない学習兆候を表し,Wheel Spinningは高い持続性を示すが,習熟度に到達できない状態を表す. 先行研究では,Anthonyらが,深層学習を用いてWheel SpinningやStopoutの予測を行ったが,学習者の知識状態が特徴量として用いられていないといった問題が考えられる. 一方で知的学習支援システム(ITS)分野では,学習者の知識状態を推定するモデルが提案されてきた.Deep Knowledge Tracing(DKT)は深層学習を用いて過去の学習データと特徴量から学習者の知識状態を推定する手法である.また,Ritwickらの研究ではヒント利用予測と知識状態推定を組み合わせたMulti Task Learningモデルが提案されており,結果としてヒント取得予測と知識状態推定の両方で精度が向上したことが報告されている. 本研究の目的は,従来の深層学習モデルにDKTによる知識状態を特徴量として組み込むことでWheel spinningとStopoutの早期検出を高精度に行うことである.具体的には,まずはじめに、学習者の問題IDとその問題の正誤からDKTを学習しその知識状態変数を取り出す.次に従来の学習不振兆候の特徴量と抽出した隠れ層を結合することで,新たに学習不振兆候予測の特徴量を生成する.最後に,新たに生成された特徴量をLong Short Term Memory(LSTM)の入力として用いて学習不振兆候の予測を行う.提案手法では.これまで学習不振兆候に用いられていない学習者の知識状態を特徴量として活用するだけでなく,知識状態の推定と学習不振兆候の予測を同時に行うMulti Task Learningを提案しており更に推定精度向上が期待される. 評価実験において,提案手法は従来手法に比べWheel Spinningの分類精度が向上することが確かめられた.Stopoutについても従来手法では推定が困難であったStopoutの検出が可能となった事が確かめられた.
Author: 史, 博源
Language: Japanese
Open Access status: green
OpenAlex ID: W7146076924
Cites: 24
Cited by:
Related to: 10