Az AI-modell megjósolja, mennyit tanulnak a diákok

A kutatók a Észak-Karolina Állami Egyetem kifejlesztettek egy mesterséges intelligencia (AI) modellt, amely képes megjósolni, hogy a diákok mennyit tanulnak az oktatási játékokban. A modell a többfeladatos tanulásra, egy mesterséges intelligencia képzési koncepcióra támaszkodik, ahol egy modell több feladatot is végrehajt. A rendszer segíthet az oktatás és a tanulási eredmények javításában.

Jonathan Rowe a munkát részletező tanulmány társszerzője, valamint az Észak-Karolinai Állami Egyetem Oktatási Informatikai Központjának (CEI) kutatója.

„A mi esetünkben azt szerettük volna, ha a modell képes megjósolni, hogy a tanuló helyesen válaszol-e a teszt minden kérdésére, a tanuló viselkedése alapján, miközben a Crystal Island nevű oktatási játékban játszik” – mondja Rowe.

„A probléma megoldásának standard megközelítése csak az általános tesztpontszámot veszi figyelembe, és a tesztet egyetlen feladatnak tekinti” – folytatja. „A többfeladatos tanulási keretrendszerünkben a modell 17 feladatot tartalmaz – mivel a teszt 17 kérdést tartalmaz.”

A kutatók 181 diák játékmeneti és tesztelési adatait használták fel. Az AI elemezte az egyes tanulók játékmenetét, és azt, hogy hogyan válaszoltak a teszt 1. kérdésére. Az AI megtanulta az 1. kérdésre helyesen válaszoló tanulók általános viselkedését, majd a helytelenül válaszolók viselkedését. Ezekkel az adatokkal a mesterséges intelligencia meg tudta határozni, hogyan válaszoljon egy új diák az 1. kérdésre.

A funkciót minden kérdésnél egyszerre hajtják végre. Míg a tanulók számára áttekintett játékmenet ugyanaz, az AI a viselkedést vizsgálja a 2., 3. kérdés stb. összefüggésében.

A többfeladatos megközelítés sikeres volt, és változást hozott. A többfeladatos modell körülbelül 10 százalékkal pontosabb volt, mint a hagyományos mesterséges intelligencia oktatási módszereit használó többi modell.

Michael Geden a tanulmány első szerzője és posztdoktori kutató az NC State-ben.

„Azt képzeljük, hogy ezt a fajta modellt több módon is használják, ami a diákok javára válhat” – mondja. „Használható arra, hogy értesítse a tanárokat, ha egy diák játékmenete azt sugallja, hogy a tanulónak további oktatásra van szüksége. Használható magában a játékban az adaptív játékmenet megkönnyítésére is. Például a történet megváltoztatása annak érdekében, hogy újra áttekintse azokat a fogalmakat, amelyekkel a tanuló küszködik.

„A pszichológia már régóta felismerte, hogy a különböző kérdéseknek különböző értékei vannak” – folytatja Geden. „Itt végzett munkánk olyan interdiszciplináris megközelítést alkalmaz, amely a pszichológia ezen aspektusát ötvözi az AI mélytanulási és gépi tanulási megközelítéseivel.”

Andrew Emerson a cikk társszerzője és Ph.D. hallgató az NC államban.

„Ez megnyitja a lehetőséget az összetettebb modellezési technikák oktatási szoftverekbe való beépítésére is – különösen olyan oktatási szoftverekbe, amelyek alkalmazkodnak a tanulók igényeihez” – mondja Emerson.

A tanulmány a „Prediktív diákmodellezés oktatási játékokban többfeladatos tanulással” címet viseli, és a 34. AAAI Mesterséges Intelligencia Konferencián kerül bemutatásra, amelyre február 7. és 12. között kerül sor New Yorkban, New York államban. A cikk szerzői James Lester, a számítástechnika kiváló egyetemi professzora és az NC State CEI igazgatója, valamint Roger Azevedo, a Közép-Floridai Egyetem munkatársa.

A munkát a National Science Foundation és a kanadai Társadalomtudományi és Humántudományi Kutatási Tanács támogatta.