教育ビックデータの予測精度と解釈性を両立するBayesian Deep-IRT

贝叶斯 Deep-IRT 实现教育大数据的预测准确性和可解释性

基本信息

批准号：
22K19825
负责人：
植野真臣
金额：
$ 4.16万
依托单位：
The University of Electro-Communications
依托单位国家：
日本
项目类别：
Grant-in-Aid for Challenging Research (Exploratory)
财政年份：
2022
资助国家：
日本
起止时间：
2022-06-30 至 2025-03-31
项目状态：
未结题

项目摘要

教育ビックデータから学習者の知識状態を推定し，適応的に学習支援するアダプティブラーニングの基礎技術として，Deep Learningの利用が注目されている．これらの手法は学習者の未知の項目への反応予測精度は高いが，パラメータの解釈性が低い問題がある．一方，確率モデルの一つである項目反応理論（IRT）は，パラメータの解釈性は高いが予測精度はDeepLearningに劣る．我々は予測精度と解釈性の両立を目指したDeep-IRTを開発してきたが，この手法では解釈性の改善が限定的であった．そこで，本研究では，Deep-IRTに確率的アプローチを組み込み，高い解釈性と予測精度を実現できるBayesian Deep-IRTを提案する．具体的には，Deep-IRTにベイズ深層学習を用いて確率変数を組み込み，IRT同様の解釈性を持ち，さらに過学習を避けて予測精度も改善できるBayesian DeepIRTを提案する．さらに，ヒントなどの支援による課題への成功確率を予測しながら最適支援（ヒント）選択を行うことを目指し，Deep-IRTにヒントを追加したBayesian Deep Hint modelを開発する．また，本手法が確率的性質を持ち，未知の項目への正答確率推定値が真の値に漸近一致することを数学的に証明する．この目標に向け，令和4年度には，Bayesian Deep-IRTの開発と実装を行った．提案するBayesian Deep-IRTは，同様に独立の学習者ネットワークと項目ネットワークにより構成される．提案モデルでは，学習者のスキル能力の重み，項目のスキル難易度の重みの事後分布に正規分布を仮定し，ベイズ深層学習の変分ベイズ法により事後分布と変分事後分布とのカルバックライブラーを最小にするように変分パラメータを推定した．

深度学习的使用将注意力吸引为自适应学习的基本技术，该技术从教育大数据中估算了学习者的知识状态，并支持学习。这些方法在预测学生对未知项目的反应方面具有很高的准确性，但存在参数解释性差的问题。另一方面，概率模型之一的项目响应理论（IRT）具有很高的参数解释性，但其预测准确性不如深度学习。我们已经开发了Deep-Ript，旨在达到预测准确性和解释性，但是这种方法的可解释性提高有限。因此，在这项研究中，我们提出了将随机方法纳入深色的贝叶斯深色，并可以实现高解释性和预测准确性。具体而言，我们提出了一条贝叶斯深处，该贝叶斯深处使用深层学习中的贝叶斯深度学习结合随机变量，该变量具有与IRT相同的解释性，并且也可以避免过度学习并提高预测准确性。此外，我们将开发一个带有提示的贝叶斯深提示模型，旨在选择最佳支持（提示），同时通过提示和其他支持预测任务成功的概率。此外，我们从数学上证明该方法具有概率性质，并且对未知项目的正确答案概率的估计值渐近地匹配真实值。为了实现这一目标，在2022年，开发和实施了贝叶斯深色。拟议的贝叶斯深色同样由独立学习者网络和项目网络组成。在拟议的模型中，假定正态分布是学习者技能能力和项目技能难度的权重的后验分布，并且估计有变异参数可以使用贝叶斯深度学习的各种Bayes Bayes方法来最大程度地减少Kalback Lewler后部和变异后验分布之间的分布。