AI 모델은 학생들이 얼마나 학습하는지 예측할 수 있다

노스 캐롤라이나 주립 대학교(North Carolina State University)의 연구자들은 교육 게임에서 학생들이 얼마나 학습하는지 예측할 수 있는 인공 지능(AI) 모델을 개발했다. 이 모델은 다중 작업 학습(multi-task learning)이라는 AI 훈련 개념에 의존하며, 하나의 모델이 여러 작업을 수행한다. 이 시스템은 교육과 학습 결과를 개선하는 데 도움이 될 수 있다.

조나단 로우(Jonathan Rowe)는 이 연구에 대한 논문의 공동 저자이며 노스 캐롤라이나 주립 대학교의 교육 정보 센터(Center for Educational Informatics, CEI) 연구 과학자이다.

로우는 “우리가 모델을 만들 때, 학생이 교육 게임인 Crystal Island을 플레이하는 동안 각 질문에 대한 정답을 예측하도록 하였다”고 말했다.

그는 “표준적인 접근 방식은 전체 시험 점수를 고려하며, 시험을 하나의 작업으로 본다”고 계속했다. “우리의 다중 작업 학습 프레임워크에서는 모델이 17개의 작업을 수행한다. 왜냐하면 시험에 17개의 질문이 있기 때문이다.”

연구자들은 181명의 학생들의 게임 플레이와 시험 데이터를 사용했다. AI는 각 학생의 게임 플레이와 시험의 1번 질문에 대한 정답을 분석했다. AI는 1번 질문에 정답한 학생들의 공통적인 행동을 학습하고, 정답하지 못한 학생들의 행동도 학습했다. 이러한 데이터를 통해 AI는 새로운 학생이 1번 질문에 정답할지 여부를 결정할 수 있었다.

이 함수는 모든 질문에 대해 동시에 수행된다. 학생의 게임 플레이는 동일하지만, AI는 2번 질문, 3번 질문 등에 대한 행동을 nghiên cứu한다.

다중 작업 접근 방식은 성공적이었고 차이를 만들어 냈다. 다중 작업 모델은 약 10% 더 정확했다. 이는 기존의 AI 훈련 방법을 사용한 다른 모델보다 더 정확했다.

마이클 게덴(Michael Geden)은 이 논문의 첫 번째 저자이며 노스 캐롤라이나 주립 대학교의 박사 후 연구원이다.

게덴은 “우리는 이 유형의 모델이 학생들에게ประโยชน을 줄 수 있는 몇 가지 방법으로 사용될 수 있다고 생각한다”고 말했다. “교사들에게 학생의 게임 플레이가 추가적인 지침이 필요할 수 있음을 알릴 수 있다. 또한 게임 자체에서 적응형 게임 기능을 제공하는 데 사용될 수 있다. 예를 들어, 학생이 어려워하는 개념을 다시 방문하기 위해 이야기 줄을 변경하는 것과 같은 기능이다.”

게덴은 “심리학은 오래전부터 다른 질문에는 다른 가치가 있다는 것을 인정해 왔다”고 계속했다. “우리의 연구는 심리학의这一 측면과 깊은 학습 및 기계 학습 접근 방식을 결합한 종합적인 접근 방식을 취한다.”

앤드류 에머슨(Andrew Emerson)은 이 논문의 공동 저자이며 노스 캐롤라이나 주립 대학교의 박사 과정 학생이다.

에머슨은 “이것은 또한 교육 소프트웨어에 더 복잡한 모델링 기술을 통합하는 문을 열어 준다”고 말했다. “특히 학생의 필요에 따라 적응하는 교육 소프트웨어를 말한다.”

이 논문은 “교육 게임에서 다중 작업 학습을 사용한 예측 학생 모델링”이라는 제목으로 2월 7일부터 12일까지 뉴욕에서 열리는 34번째 AAAI 인공 지능 컨퍼런스에서 발표될 예정이다. 이 논문의 공동 저자로는 노스 캐롤라이나 주립 대학교의 컴퓨터 과학 교수이자 CEI의 책임자인 제임스 레스터(James Lester)와 중부 플로리다 대학교의 로저 아제베도(Roger Azevedo)가 있다.

이 연구는 미국 국립 과학 재단(National Science Foundation)과 캐나다 사회 과학 및 인문 과학 연구 위원회(Social Sciences and Humanities Research Council of Canada)에서 지원을 받았다.

이 논문의 공동 저자로는 노스 캐롤라이나 주립 대학교의 컴퓨터 과학 교수이자 CEI의 책임자인 제임스 레스터와 중부 플로리다 대학교의 로저 아제베도가 있다. 이 연구는 미국 국립 과학 재단과 캐나다 사회 과학 및 인문 과학 연구 위원회에서 지원을 받았다.