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．

深度学习作为自适应学习的基础技术而受到关注，它从教育大数据中估计学习者的知识状态并支持自适应学习。尽管这些方法在预测学习者对未知项目的反应方面具有较高的准确性，但它们存在参数可解释性较低的问题。另一方面，项目反应理论（IRT）作为一种概率模型，具有较高的参数可解释性，但在预测精度方面逊色于 DeepLearning。我们开发Deep-IRT的目的是同时实现预测准确性和可解释性，但这种方法在可解释性方面的改进有限。因此，在本研究中，我们将概率方法纳入 Deep-IRT 并提出贝叶斯 Deep-IRT，它可以实现高可解释性和预测精度。具体来说，我们提出Bayesian DeepIRT，它利用贝叶斯深度学习将随机变量纳入Deep-IRT，具有与IRT类似的可解释性，同时也可以避免过度拟合并提高预测精度。此外，我们将开发一个贝叶斯深度提示模型，为 Deep-IRT 添加提示，目的是选择最佳支持（提示），同时预测具有提示等支持的任务成功的概率。我们还从数学上证明我们的方法具有概率属性，并且未知项目的正确答案的估计概率渐近匹配真实值。为了实现这一目标，我们在 2020 财年开发并实施了贝叶斯 Deep-IRT。所提出的贝叶斯 Deep-IRT 类似地由独立学习器网络和项目网络组成。在所提出的模型中，我们假设学习者技能能力权重和项目技能难度权重的后验分布呈正态分布，并使用贝叶斯深度学习的变分贝叶斯方法来计算Kullback-Leibler分布后验分布和变分后验分布之间的变分参数被估计为最小化。