AI-model kan forudsige, hvor meget studerende lærer

Forskere fra North Carolina State University har udviklet en kunstig intelligens (AI)-model, der kan forudsige, hvor meget studerende lærer i undervisningsspil. Modellen afhænger af multi-opgave-læring, et AI-træningskoncept, hvor en model udfører flere opgaver. Systemet kan hjælpe med at forbedre undervisningen og læringens resultater.

Jonathan Rowe er medforfatter til den artikel, der beskriver arbejdet, og en forskningsvidenskabsmand ved North Carolina State Universitys Center for Educational Informatics (CEI).

“I vores tilfælde ønskede vi, at modellen skulle kunne forudsige, om en student ville svare korrekt på hver spørgsmål på en test, baseret på studentens adfærd, mens de spillede et undervisningsspil kaldet Crystal Island,” siger Rowe.

“Den standardmæssige tilgang til at løse dette problem ser kun på den samlede testscore, og ser testen som en enkelt opgave,” fortsætter han. “I sammenhængen med vores multi-opgave-læringsramme har modellen 17 opgaver – fordi testen har 17 spørgsmål.”

Forskerne brugte spil- og testdata fra 181 studerende. AI’en analyserede hver students spil og hvordan de svarede på Spørgsmål 1 på testen. AI’en lærte de almindelige adfærdsformer hos de studerende, der svarede korrekt på Spørgsmål 1, og derefter lærte den adfærdsformerne hos de studerende, der svarede forkert. Med denne data kunne AI’en bestemme, hvordan en ny student ville svare på Spørgsmål 1.

Funktionen udføres på samme tid for hvert spørgsmål. Mens spillet, der gennemgås for en student, er det samme, studerer AI’en adfærden i sammenhængen med Spørgsmål 2, Spørgsmål 3 osv.

Den multi-opgave-måde var succesfuld og gjorde en forskel. Den multi-opgave-model var omkring 10 procent mere præcis end de andre modeller, der brugte konventionelle AI-træningsmetoder.

Michael Geden er hovedforfatter til artiklen og en postdoc-forsker ved NC State.

“Vi forestiller os, at denne type model kan bruges på flere måder, der kan gavne studerende,” siger han. “Den kan bruges til at underrette lærere, når en students spil-adfærd tyder på, at studenten måske har brug for ekstra undervisning. Den kan også bruges til at facilitere adaptive spilfunktioner i spillet selv. For eksempel kan den ændre en historie for at gensende koncepter, som en student kæmper med.

“Psykologien har længe erkendt, at forskellige spørgsmål har forskellige værdier,” fortsætter Geden. “Vores arbejde her tager en interdisciplinær tilgang, der samler dette aspekt af psykologi med dyb læring og maskinlæringstilgange til AI.”

Andrew Emerson er medforfatter til artiklen og en ph.d.-studerende ved NC State.

“Dette åbner også døren for at inkorporere mere komplekse modelleringsteknikker i undervisningssoftware – især undervisningssoftware, der tilpasser sig studentens behov,” siger Emerson.

Artiklen har titlen “Predictive Student Modeling in Educational Games with Multi-Task Learning” og vil blive præsenteret på den 34. AAAI-konference om kunstig intelligens, der skal finde sted mellem 7. og 12. februar i New York, N.Y. Medforfatterne til artiklen var James Lester, Distinguished University Professor of Computer Science og direktør for CEI ved NC State, samt Roger Azevedo fra University of Central Florida.

Arbejdet blev støttet af National Science Foundation og Social Sciences and Humanities Research Council of Canada.