Model AI Dapat Memprediksi Seberapa Banyak Siswa Belajar

Peneliti dari Universitas North Carolina State telah mengembangkan model kecerdasan buatan (AI) yang dapat memprediksi seberapa banyak siswa belajar dalam permainan edukatif. Model ini menggunakan pembelajaran multi-tugas, konsep pelatihan AI di mana satu model melakukan beberapa tugas. Sistem ini dapat membantu meningkatkan instruksi dan hasil belajar.

Jonathan Rowe adalah salah satu penulis makalah yang menjelaskan pekerjaan ini dan seorang ilmuwan peneliti di Pusat Informasi Pendidikan Universitas North Carolina State (CEI).

“Dalam kasus kami, kami ingin model ini dapat memprediksi apakah seorang siswa akan menjawab setiap pertanyaan pada tes dengan benar, berdasarkan perilaku siswa saat bermain permainan edukatif yang disebut Crystal Island,” kata Rowe.

“Pendekatan standar untuk memecahkan masalah ini hanya melihat skor tes secara keseluruhan, memandang tes sebagai satu tugas,” ia melanjutkan. “Dalam konteks kerangka pembelajaran multi-tugas kami, model ini memiliki 17 tugas — karena tes memiliki 17 pertanyaan.”

Peneliti menggunakan data permainan dan pengujian dari 181 siswa. AI menganalisis permainan setiap siswa dan bagaimana mereka menjawab Pertanyaan 1 pada tes. AI mempelajari perilaku umum siswa yang menjawab Pertanyaan 1 dengan benar, dan kemudian mempelajari perilaku mereka yang menjawabnya dengan salah. Dengan data ini, AI dapat menentukan bagaimana seorang siswa baru akan menjawab Pertanyaan 1.

Fungsi ini dilakukan secara bersamaan untuk setiap pertanyaan. Sementara permainan yang ditinjau untuk seorang siswa sama, AI mempelajari perilaku dalam konteks Pertanyaan 2, Pertanyaan 3, dan seterusnya.

Pendekatan multi-tugas ini berhasil dan membuat perbedaan. Model multi-tugas sekitar 10 persen lebih akurat daripada model lain yang menggunakan metode pelatihan AI konvensional.

Michael Geden adalah penulis utama makalah ini dan seorang peneliti pasca-doktor di NC State.

“Kami membayangkan model jenis ini dapat digunakan dalam beberapa cara yang dapat membantu siswa,” katanya. “Ini dapat digunakan untuk memberitahu guru ketika permainan siswa menunjukkan bahwa siswa mungkin memerlukan instruksi tambahan. Ini juga dapat digunakan untuk memfasilitasi fitur permainan adaptif dalam permainan itu sendiri. Misalnya, mengubah alur cerita untuk mengunjungi kembali konsep yang sulit dipahami siswa.

“Psikologi telah lama mengakui bahwa pertanyaan yang berbeda memiliki nilai yang berbeda,” Geden melanjutkan. “Kerja kami di sini mengambil pendekatan antar disiplin yang menggabungkan aspek psikologi dengan pendekatan pembelajaran mesin dan kecerdasan buatan.”

Andrew Emerson adalah salah satu penulis makalah ini dan seorang mahasiswa S3 di NC State.

“Ini juga membuka pintu untuk mengincorporasi teknik pemodelan yang lebih kompleks ke dalam perangkat lunak pendidikan — terutama perangkat lunak pendidikan yang menyesuaikan diri dengan kebutuhan siswa,” kata Emerson.

Makalah ini berjudul “Predictive Student Modeling in Educational Games with Multi-Task Learning,” dan akan disajikan pada Konferensi Kecerdasan Buatan AAAI ke-34 yang dijadwalkan berlangsung antara 7-12 Februari di New York, NY. Penulis makalah ini adalah James Lester, Guru Besar Universitas yang Terkenal di Departemen Ilmu Komputer dan direktur CEI di NC State, serta Roger Azevedo dari Universitas Central Florida.

Pekerjaan ini didukung oleh National Science Foundation dan Dewan Riset Ilmu Sosial dan Kemanusiaan Kanada.