Fugu-MT 論文翻訳(概要): Do we need to go Deep? Knowledge Tracing with Big Data

論文の概要: Do we need to go Deep? Knowledge Tracing with Big Data

arxiv url: http://arxiv.org/abs/2101.08349v1
Date: Wed, 20 Jan 2021 22:40:38 GMT
ステータス: 処理完了
システム内更新日: 2021-03-22 01:58:40.532629
Title: Do we need to go Deep? Knowledge Tracing with Big Data
Title（参考訳）: 深く行く必要があるのか? ビッグデータを用いた知識追跡
Authors: Varun Mandalapu, Jiaqi Gong and Lujie Chen
Abstract要約: 教育分野で公開されている最大の学生インタラクションデータセットであるEdNetを使用して、深層モデルと従来のモデルの両方が将来の学生のパフォーマンスを正確に予測する方法を理解しています。我々の研究は、慎重に設計された特徴を持つロジスティック回帰モデルが広範な実験から深いモデルよりも優れていることを観察する。
参考スコア（独自算出の注目度）: 5.218882272051637
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Interactive Educational Systems (IES) enabled researchers to trace student knowledge in different skills and provide recommendations for a better learning path. To estimate the student knowledge and further predict their future performance, the interest in utilizing the student interaction data captured by IES to develop learner performance models is increasing rapidly. Moreover, with the advances in computing systems, the amount of data captured by these IES systems is also increasing that enables deep learning models to compete with traditional logistic models and Markov processes. However, it is still not empirically evident if these deep models outperform traditional models on the current scale of datasets with millions of student interactions. In this work, we adopt EdNet, the largest student interaction dataset publicly available in the education domain, to understand how accurately both deep and traditional models predict future student performances. Our work observes that logistic regression models with carefully engineered features outperformed deep models from extensive experimentation. We follow this analysis with interpretation studies based on Locally Interpretable Model-agnostic Explanation (LIME) to understand the impact of various features on best performing model pre-dictions.
Abstract（参考訳）: インタラクティブ教育システム(IES)により、研究者は異なるスキルの学生の知識を追跡でき、より良い学習パスを推奨できる。学生の知識を推定し,さらにパフォーマンスを予測するために,iesが取得した学生インタラクションデータを活用した学習者パフォーマンスモデルの開発に関心が急速に高まっている。さらに、コンピュータシステムの進歩に伴い、これらのiesシステムが取得するデータ量も増加し、ディープラーニングモデルが従来のロジスティックモデルやマルコフプロセスと競合するようになっている。しかし、これらの深層モデルが、何百万もの学生の相互作用を持つデータセットの現在のスケールで従来のモデルを上回るかどうかは、まだ実証的に明らかではない。本研究では,教育領域で公開されている最大規模の学生インタラクションデータセットであるednetを採用し,深層モデルと伝統的モデルの両方が将来の学生パフォーマンスをいかに正確に予測できるかを理解する。我々の研究は、慎重に設計された特徴を持つロジスティック回帰モデルが広範な実験から深いモデルよりも優れていることを観察する。この分析は,局所的に解釈可能なモデルに依存しない説明法(LIME)に基づく解釈研究を用いて,様々な特徴が最高のモデル予測に与える影響を理解する。
全文参考訳へのリンク