Новый подход к процессу автоматизации обучения на основе данных о поведении пользователей в цифровых библиотеках

Представлена математическая модель применения рекуррентной сети с внешней памятью. Она предназначена для предсказания оптимальной образовательной траектории пользователя в цифровых информационных средах, к которым могут быть отнесены цифровые библиотеки. Основная задача, решаемая с помо щью метода машинного обучения, основанного на применении нейронных сетей, – индивидуализация образовательных траекторий пользователя. Цель работы – моделирование различных аспектов деятельности обучающегося с использованием рекуррентных нейронных сетей для более точной индивидуализации образовательной траектории. В основе метода лежат две разновидности рекуррентных нейронных сетей: классическая с сигмоидальной функцией активации и сеть с долгой краткосрочной памятью LSTM (Long Short-Term Memory). Результаты проведённых экспериментов показали существенные преимущества применения рекуррентных нейронных сетей для предсказания шагов образовательной траектории по сравнению с аналогичными методами. Таким образом, разработанная модель имеет более высокую точность предсказания (на 15–20% выше относительно аналогов). Основная область её применения – предсказание оптимальной образовательной траектории пользователя в цифровой информационной среде, в частности – цифровой библиотеке.

1. Piech C. et al. Deep knowledge tracing // Advances in Neural Information Processing Systems. Stanford, 2015. C. 505–513. URL: http://papers.nips.cc/paper/5654-deep-knowledge-tracing (accessed: 21.04.2021).

2. Piech C. et al. Autonomously generating hints by inferring problem solving policies // Proceedings of the Second (2015) ACM Conference on Learning@ Scale. ACM, 2015. С. 195–204.

3. Piech C. et al. Modeling how students learn to program // Proceedings of the 43rd ACM technical symposium on Computer Science Education. ACM, 2012. С. 153–160.

4. Tang S., Peterson J. C., Pardos Z. A. Modelling Student Behavior using Granular Large Scale Action Data from a MOOC // arXiv preprint arXiv:1608.04789. 2016. URL: https://arxiv.org/abs/1608.04789 (дата обращения: 21.04.2021).

5. Sayed M. et al. E-Learning optimization using supervised artificial neural-network / M. Sayed // Journal of software engineering and applications. 2015. Т. 8. № 1. С. 26. URL: http://file.scirp.org/Html/4-9302022_53428.htm (дата обращения: 21.04.2021). doi: http://dx.doi.org/10.4236/jsea.2015.81004.

6. Reddy S., Labutov I., Joachims T. Latent skill embedding for personalized lesson sequence recommendation // arXiv preprint arXiv:1602.07029. 2016. URL: https://arxiv.org/abs/1602.07029 (дата обращения: 01.05.2021).

7. Nerrand O. et al. Neural network training schemes for non-linear adaptive filtering and modelling // International Joint Conference on Neural Networks. 1991. Т. 1. С. 61–66.

8. Schmidhuber J. Deep learning in neural networks: An overview / J. Schmidhuber // Neural networks. 2015. Т. 61. С. 85–117. doi: 10.1016/j.neunet.2014.09.003.

9. Cader A. The Potential for the Use of Deep Neural Networks in e-Learning Student Evaluation with New Data Augmentation Method // International Conference on Artificial Intelligence in Education. Springer, Cham, 2020. С. 37–42.

10. Liu D. et al. Multiple Features Fusion Attention Mechanism Enhanced Deep Knowledge Tracing for Student Performance Prediction / D. Liu // IEEE Access. 2020. Т. 8. С. 194894–194903. doi: 10.1109/access.2020.3033200.

11. Gervet T. et al. When is Deep Learning the Best Approach to Knowledge Tracing? / T. Gervet // JEDM | Journal of Educational Data Mining. 2020. Т. 12. № 3. С. 31–54. doi: 10.5281/zenodo.4143614.

12. Wilson K. H. et al. Back to the basics: Bayesian extensions of IRT outperform neural networks for proficiency estimation // arXiv preprint arXiv:1604.02336. 2016.

13. Lindsey R. V. et al. Improving students’ long-term knowledge retention through personalized review / R. V. Lindsey // Psychological science. 2014. Т. 25. № 3. С. 639–647. doi:10.1177/0956797613504302.

14. Khajah M. M. et al. Integrating knowledge tracing and item response theory: A tale of two frameworks // CEUR Workshop proceedings. University of Pittsburgh, 2014. Т. 1181. С. 7–15.

15. Galyardt A., Goldin I. Move Your Lamp Post: Recent Data Reflects Learner Knowledge Better than Older Data / A. Galyardt, I. Goldin // Journal of Educational Data Mining. 2015. Т. 7. № 2. С. 83–108. doi: 10.5281/zenodo.3554671.

16. Lan A. S., Studer C., Baraniuk R. G. Time-varying learning and content analytics via sparse factor analysis // Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining. 2014. С. 452–461. doi: 10.1145/2623330.2623631.

17. Yudelson M. V., Koedinger K. R., Gordon G. J. Individualized Bayesian knowledge tracing models // International conference on artificial intelligence in education. Springer, Berlin, Heidelberg, 2013. С. 171–180.

18. Polson M. C., Richardson J. J. Foundations of intelligent tutoring systems. Psychology Press, 2013.

19. Santoro A. et al. Meta-learning with memory-augmented neural networks // International conference on machine learning. PMLR, 2016. С. 1842–1850.