KI-Modell kann vorhersagen, wie viel Schüler lernen

Forscher der North Carolina State University haben ein KI-Modell entwickelt, das in der Lage ist, die Menge an Lernstoff vorherzusagen, den Schüler in Bildungsspielen erwerben. Das Modell basiert auf dem Konzept des Multi-Task-Lernens, bei dem ein Modell mehrere Aufgaben ausführt. Das System kann dazu beitragen, die Unterrichts- und Lernergebnisse zu verbessern.

Jonathan Rowe ist der Co-Autor des Papiers, in dem die Arbeit beschrieben wird, und ein Forschungswissenschaftler am Center for Educational Informatics (CEI) der North Carolina State University.

“In unserem Fall wollten wir, dass das Modell in der Lage ist, vorherzusagen, ob ein Schüler jede Frage in einem Test richtig beantworten wird, basierend auf seinem Verhalten, während er ein Bildungsspiel namens Crystal Island spielt”, sagt Rowe.

“Der Standardansatz für die Lösung dieses Problems betrachtet nur die Gesamtpunktzahl des Tests und betrachtet den Test als eine Aufgabe”, fährt er fort. “Im Kontext unseres Multi-Task-Lernrahmens hat das Modell 17 Aufgaben – weil der Test 17 Fragen hat.”

Die Forscher verwendeten Spiel- und Testdaten von 181 Schülern. Die KI analysierte das Spielverhalten jedes Schülers und wie sie Frage 1 im Test beantworteten. Die KI lernte die gemeinsamen Verhaltensweisen der Schüler, die Frage 1 richtig beantworteten, und sie lernte die Verhaltensweisen derjenigen, die sie falsch beantworteten. Mit diesen Daten konnte die KI bestimmen, wie ein neuer Schüler Frage 1 beantworten würde.

Die Funktion wird gleichzeitig für jede Frage durchgeführt. Während das Spielverhalten, das für einen Schüler überprüft wird, das gleiche ist, untersucht die KI das Verhalten im Kontext von Frage 2, Frage 3 usw.

Der Multi-Task-Ansatz war erfolgreich und machte einen Unterschied. Das Multi-Task-Modell war etwa 10 Prozent genauer als die anderen Modelle, die herkömmliche KI-Trainingsmethoden verwendeten.

Michael Geden ist der erste Autor des Papiers und ein Postdoktorand an der NC State.

“Wir stellen uns vor, dass dieses Modell auf verschiedene Weise eingesetzt wird, um den Schülern zu helfen”, sagt er. “Es könnte verwendet werden, um Lehrern zu benachrichtigen, wenn das Spielverhalten eines Schülers darauf hindeutet, dass er möglicherweise zusätzlichen Unterricht benötigt. Es könnte auch verwendet werden, um adaptive Spielmerkmale im Spiel selbst zu ermöglichen. Zum Beispiel, um eine Geschichte zu ändern, um die Konzepte zu wiederholen, mit denen ein Schüler Schwierigkeiten hat.

“Die Psychologie hat lange anerkannt, dass verschiedene Fragen unterschiedliche Werte haben”, fährt Geden fort. “Unsere Arbeit hier verfolgt einen interdisziplinären Ansatz, der diese Aspekte der Psychologie mit tiefen Lern- und Machine-Learning-Ansätzen für KI verbindet.”

Andrew Emerson ist der Co-Autor des Papiers und ein Doktorand an der NC State.

“Dies öffnet auch die Tür, um komplexere Modellierungstechniken in Bildungssoftware zu integrieren – insbesondere in Bildungssoftware, die sich an die Bedürfnisse des Schülers anpasst”, sagt Emerson.

Das Papier ist betitelt “Predictive Student Modeling in Educational Games with Multi-Task Learning” und wird auf der 34. AAAI-Konferenz über künstliche Intelligenz präsentiert, die zwischen dem 7. und 12. Februar in New York, N.Y., stattfinden wird. Die Co-Autoren des Papiers waren James Lester, Distinguished University Professor of Computer Science und Direktor des CEI an der NC State, sowie Roger Azevedo von der University of Central Florida.

Die Arbeit wurde von der National Science Foundation und dem Social Sciences and Humanities Research Council of Canada unterstützt.