Resumen

En las últimas décadas, cada vez son más los profesores que utilizan generadores de preguntas para proporcionar a los alumnos tareas en línea. Los métodos de aprendizaje por rango (LTR) pueden clasificar parcialmente las preguntas para atender las necesidades de cada alumno y reducir su carga de estudio. Desafortunadamente, clasificar las preguntas para los estudiantes no es trivial debido a tres retos principales: (1) descubrir el conocimiento latente y el nivel cognitivo de los estudiantes es difícil, (2) el contenido de los cuestionarios puede ser totalmente diferente pero los puntos de conocimiento de estos cuestionarios pueden estar intrínsecamente relacionados, y (3) los modelos de clasificación basados en el aprendizaje supervisado, semisupervisado o de refuerzo se centran en la tarea actual sin considerar el rendimiento pasado. En este trabajo, proponemos KFRank, un modelo de clasificación de fusión de conocimientos basado en el aprendizaje por refuerzo, que tiene en cuenta tanto el historial de asignaciones de un estudiante como la relevancia de los cuestionarios con sus puntos de conocimiento. En primer lugar, cargamos el historial de asignaciones de los estudiantes, lo reorganizamos utilizando puntos de conocimiento, y calculamos las características efectivas para la clasificación en términos de la relación entre el conocimiento cognitivo de un estudiante y la pregunta. A continuación, se construye un estimador de similitud para elegir las preguntas históricas, y se utiliza una red neuronal de atención para calcular el valor de atención y actualizar el estado de estudio actual con la fusión de conocimientos. Por último, se utiliza un algoritmo de clasificación basado en un proceso de decisión de Markov para optimizar los parámetros. Se realizaron amplios experimentos con un conjunto de datos reales que abarcan un año y comparamos nuestro modelo con los modelos de clasificación más avanzados (por ejemplo, ListNET y LambdaMART) y con métodos de aprendizaje de refuerzo (como MDPRank). Basándonos en los valores top-k de nDCG, nuestro modelo supera a otros métodos para grupos de estudiantes medios y débiles, cuyas capacidades de estudio son relativamente pobres y, por tanto, sus comportamientos son más difíciles de predecir.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:punto de conocimiento, estudiantes, historial de asignaciones, modelo, preguntas, relevancia del cuestionario, enfoque de aprendizaje por refuerzo, métodos, contenido del cuestionario, proceso de decisión de markov
• Keywords:knowledge point, students, assignment history, model, questions, relevance of quiz, reinforcement learning focus, methods, content of quiz, markov decision process