Το Μοντέλο AI Μπορεί Να Προβλέψει Πόσο Μαθαίνουν οι Μαθητές

Ερευνητές από το Πανεπιστήμιο της Βόρειας Καρολίνας έχουν αναπτύξει ένα μοντέλο τεχνητής νοημοσύνης (AI) που είναι ικανό να προβλέψει το ποσό που μαθαίνουν οι μαθητές σε εκπαιδευτικά παιχνίδια. Το μοντέλο βασίζεται στη πολυ-εργασία, μια концепция εκπαίδευσης AI όπου ένα μοντέλο εκτελεί πολλές εργασίες. Το σύστημα μπορεί να βοηθήσει στη βελτίωση της διδασκαλίας και των μαθησιακών αποτελεσμάτων.

Ο Jonathan Rowe είναι ο συν-συγγραφέας του εγγράφου που περιγράφει το έργο και ερευνητικός επιστήμονας στο Κέντρο Εκπαιδευτικής Πληροφορικής (CEI) του Πανεπιστημίου της Βόρειας Καρολίνας.

«Στην περίπτωσή μας, θέλαμε το μοντέλο να είναι σε θέση να προβλέψει εάν ένας μαθητής θα απαντήσει σωστά σε κάθε ερώτηση σε ένα τεστ, με βάση τη συμπεριφορά του μαθητή जबकαι παίζει ένα εκπαιδευτικό παιχνίδι που ονομάζεται Crystal Island», λέει ο Rowe.

«Η τυπική προσέγγιση για την επίλυση αυτού του προβλήματος κοιτάζει μόνο το συνολικό σκορ του τεστ, θεωρώντας το τεστ ως μια εργασία», συνεχίζει. «Στο πλαίσιο του πλαισίου της πολυ-εργασίας μας, το μοντέλο έχει 17 εργασίες — επειδή το τεστ έχει 17 ερωτήσεις».

Οι ερευνητές χρησιμοποίησαν δεδομένα παιχνιδιού και τεστ από 181 μαθητές. Το AI ανάλυσε το παιχνίδι κάθε μαθητή και πώς απάντησε στην Ερώτηση 1 στο τεστ. Το AI έμαθε τις κοινές συμπεριφορές των μαθητών που απάντησαν σωστά την Ερώτηση 1, και στη συνέχεια έμαθε τις συμπεριφορές εκείνων που απάντησαν λάθος. Με αυτά τα δεδομένα, το AI ήταν σε θέση να καθορίσει πώς θα απαντούσε ένας νέος μαθητής στην Ερώτηση 1.

Η λειτουργία αυτή εκτελείται την ίδια στιγμή για κάθε ερώτηση. Ενώ το παιχνίδι που αναθεωρείται για έναν μαθητή είναι το ίδιο, το AI μελετά τη συμπεριφορά στο πλαίσιο της Ερώτησης 2, Ερώτησης 3, κ.λπ.

Η πολυ-εργασιακή προσέγγιση ήταν επιτυχημένη και έκανε τη διαφορά. Το μοντέλο της πολυ-εργασίας ήταν περίπου 10% πιο ακριβές από τα άλλα μοντέλα που χρησιμοποίησαν συμβατικές μεθόδους εκπαίδευσης AI.

Ο Michael Geden είναι ο πρώτος συγγραφέας του εγγράφου και μετα-διδακτορικός ερευνητής στο NC State.

«Ενvisionουμε αυτό το είδος μοντέλου να χρησιμοποιείται με κάποιους τρόπους που μπορούν να ωφελήσουν τους μαθητές», λέει. «Μπορεί να χρησιμοποιηθεί για να ειδοποιήσει τους δασκάλους όταν η συμπεριφορά του παιχνιδιού του μαθητή υποδηλώνει ότι ο μαθητής μπορεί να χρειαστεί πρόσθετη διδασκαλία. Μπορεί επίσης να χρησιμοποιηθεί για να διευκολύνει προσαρμοστικές λειτουργίες παιχνιδιού στο ίδιο το παιχνίδι. Για παράδειγμα, να αλλάξει μια ιστορία για να επισκεφθεί ξανά τις έννοιες με τις οποίες ο μαθητής παλεύει.

«Η ψυχολογία έχει αναγνωρίσει για καιρό ότι διαφορετικές ερωτήσεις έχουν διαφορετικές αξίες», συνεχίζει ο Geden. «Η δουλειά μας εδώ λαμβάνει μια διεπιστημονική προσέγγιση που παντρεύει αυτό το аспект της ψυχολογίας με προσεγγίσεις βαθιάς μάθησης και μηχανικής μάθησης στην AI».

Ο Andrew Emerson είναι ο συν-συγγραφέας του εγγράφου και φοιτητής διδακτορικού στο NC State.

«Αυτό ανοίγει επίσης την πόρτα για την ενσωμάτωση πιο σύνθετων τεχνικών μοντελοποίησης σε εκπαιδευτικό λογισμικό — ιδιαίτερα εκπαιδευτικό λογισμικό που προσαρμόζεται στις ανάγκες του μαθητή», λέει ο Emerson.

Το έγγραφο έχει τον τίτλο «Προβλεπτική Μοντελοποίηση Μαθητή σε Εκπαιδευτικά Παιχνίδια με Πολυ-Εργασία» και θα παρουσιαστεί στη 34η Διασκέψη της AAAI για την Τεχνητή Νοημοσύνη που θα λάβει χώρα μεταξύ 7-12 Φεβρουαρίου στη Νέα Υόρκη. Οι συν-συγγραφείς του εγγράφου ήταν οι James Lester, Διακεκριμένος Καθηγητής Πληροφορικής και διευθυντής του CEI στο NC State, καθώς και ο Roger Azevedo του Πανεπιστημίου της Κεντρικής Φλόριντα.

Η εργασία υποστηρίχθηκε από το Εθνικό Ίδρυμα Επιστημών και το Συμβούλιο Έρευνας των Κοινωνικών Επιστημών και Ανθρωπιστικών Σπουδών του Καναδά.