Forbedring af AIs evne til at identificere elever, der har brug for hjælp

Forskere har designet en kunstig intelligens (AI) -model, der bedre er i stand til at forudsige, hvor meget eleverne lærer i uddannelsesmæssige spil. Den forbedrede model gør brug af et AI-træningskoncept kaldet multi-task learning, og kunne bruges til at forbedre både undervisning og læringsresultater.

Multi-task learning er en tilgang, hvor en model bliver bedt om at udføre flere opgaver.

"I vores tilfælde, vi ønskede, at modellen kunne forudsige, om en elev ville besvare hvert spørgsmål på en test korrekt, baseret på elevens adfærd, mens han spillede et pædagogisk spil kaldet Crystal Island, "siger Jonathan Rowe, medforfatter af et papir om arbejdet og en forsker ved North Carolina State University's Center for Educational Informatics (CEI).

"Standardmetoden til løsning af dette problem ser kun på den samlede testscore, betragter testen som en opgave, "Rowe siger." I forbindelse med vores multi-task læringsramme, modellen har 17 opgaver - fordi testen har 17 spørgsmål. "

Forskerne havde gameplay- og testdata fra 181 studerende. AI kunne se på hver elevs gameplay og hvordan hver elev besvarede spørgsmål 1 på testen. Ved at identificere almindelig adfærd hos elever, der besvarede spørgsmål 1 korrekt, og almindelig adfærd hos studerende, der fik spørgsmål 1 forkert, AI kunne bestemme, hvordan en ny elev ville besvare spørgsmål 1.

Denne funktion udføres for hvert spørgsmål på samme tid; gameplayet, der gennemgås for en given elev, er det samme, men AI ser på denne adfærd i forbindelse med spørgsmål 2, Spørgsmål 3, og så videre.

Og denne multi-task-tilgang gjorde en forskel. Forskerne fandt ud af, at multi-task-modellen var omkring 10 procent mere præcis end andre modeller, der var afhængige af konventionelle AI-træningsmetoder.

"Vi forestiller os, at denne type model bliver brugt på et par måder, der kan gavne eleverne, "siger Michael Geden, første forfatter til papiret og en postdoktorforsker ved NC State. "Det kan bruges til at underrette lærere, når en elevs gameplay antyder, at eleven muligvis har brug for yderligere undervisning. Det kan også bruges til at lette adaptive gameplay -funktioner i selve spillet. F.eks. ændre en historie for at genbesøge de begreber, som en elev kæmper med.

"Psykologi har længe erkendt, at forskellige spørgsmål har forskellige værdier, "Geden siger." Vores arbejde her tager en tværfaglig tilgang, der gifter dette aspekt af psykologi med dyb læring og maskinlæringstilgange til AI. "

"Dette åbner også døren for at integrere mere komplekse modelleringsteknikker i uddannelsessoftware - især uddannelsessoftware, der tilpasser sig den studerendes behov, "siger Andrew Emerson, medforfatter af papiret og en ph.d. studerende på NC State.

Papiret, "Prediktiv elevmodellering i uddannelsesspil med multi-task-læring, "vil blive præsenteret på den 34. AAAI -konference om kunstig intelligens, afholdes 7.-12. februar i New York, N.Y. Avisen var medforfatter af James Lester, Fremtrædende universitetsprofessor i datalogi og direktør for CEI i NC State; og af Roger Azevedo fra University of Central Florida.