Il modello di intelligenza artificiale può prevedere quanto gli studenti stanno imparando

I ricercatori della North Carolina State University hanno sviluppato un modello di intelligenza artificiale (AI) in grado di prevedere la quantità di apprendimento degli studenti nei giochi educativi. Il modello si basa sull’apprendimento multi-task, un concetto di formazione dell’AI in cui un modello esegue più compiti. Il sistema può aiutare a migliorare l’istruzione e i risultati dell’apprendimento.

Jonathan Rowe è il co-autore del documento che descrive il lavoro e un ricercatore presso il Center for Educational Informatics (CEI) della North Carolina State University.

“Nel nostro caso, volevamo che il modello potesse prevedere se uno studente avrebbe risposto correttamente a ogni domanda di un test, in base al comportamento dello studente mentre giocava a un gioco educativo chiamato Crystal Island”, afferma Rowe.

“L’approccio standard per risolvere questo problema considera solo il punteggio totale del test, considerando il test come un unico compito”, continua. “Nel contesto del nostro framework di apprendimento multi-task, il modello ha 17 compiti – perché il test ha 17 domande”.

I ricercatori hanno utilizzato i dati di gioco e di testing di 181 studenti. L’AI ha analizzato il gioco di ogni studente e come hanno risposto alla Domanda 1 del test. L’AI ha imparato i comportamenti comuni degli studenti che hanno risposto correttamente alla Domanda 1 e ha poi imparato i comportamenti di coloro che l’hanno risposta in modo errato. Con questi dati, l’AI è stata in grado di determinare come un nuovo studente avrebbe risposto alla Domanda 1.

La funzione viene eseguita contemporaneamente per ogni domanda. Mentre il gioco che viene esaminato per uno studente è lo stesso, l’AI studia il comportamento nel contesto della Domanda 2, Domanda 3, ecc.

L’approccio multi-task è stato efficace e ha fatto la differenza. Il modello multi-task è stato circa il 10% più preciso dei modelli che utilizzavano metodi di formazione dell’AI convenzionali.

Michael Geden è il primo autore del documento e un ricercatore post-dottorato presso la NC State.

“Noi immaginiamo che questo tipo di modello possa essere utilizzato in un paio di modi che possono beneficiare gli studenti”, afferma. “Potrebbe essere utilizzato per notificare agli insegnanti quando il gioco di uno studente suggerisce che lo studente potrebbe aver bisogno di ulteriore istruzione. Potrebbe anche essere utilizzato per facilitare funzionalità di gioco adattivo nel gioco stesso. Ad esempio, modificando una storia per ritornare ai concetti con cui uno studente sta lottando.

“La psicologia ha da lungo tempo riconosciuto che diverse domande hanno diversi valori”, continua Geden. “Il nostro lavoro qui adotta un approccio interdisciplinare che combina questo aspetto della psicologia con approcci di apprendimento profondo e di machine learning dell’AI”.

Andrew Emerson è il co-autore del documento e uno studente di dottorato presso la NC State.

“Ciò apre anche la porta all’inclusione di tecniche di modellazione più complesse nel software educativo – in particolare nel software educativo che si adatta alle esigenze dello studente”, afferma Emerson.

Il documento è intitolato “Predictive Student Modeling in Educational Games with Multi-Task Learning” e sarà presentato alla 34a Conferenza AAAI sull’intelligenza artificiale, che si terrà tra il 7 e il 12 febbraio a New York, NY. I co-autori del documento erano James Lester, Distinguished University Professor di Informatica e direttore del CEI presso la NC State, nonché Roger Azevedo dell’Università della Florida Centrale.

Il lavoro è stato supportato dalla National Science Foundation e dal Social Sciences and Humanities Research Council of Canada.