AI-model kan voorspellen hoeveel studenten leren

Onderzoekers van de North Carolina State University hebben een kunstmatig intelligentie (AI)-model ontwikkeld dat in staat is om de hoeveelheid te voorspellen die studenten leren in educatieve spellen. Het model is gebaseerd op multi-task learning, een AI-trainingsconcept waarbij één model meerdere taken uitvoert. Het systeem kan helpen om instructie en leerresultaten te verbeteren.

Jonathan Rowe is de co-auteur van het artikel waarin het onderzoek wordt beschreven en een onderzoeker bij het Center for Educational Informatics (CEI) van de North Carolina State University.

“In ons geval wilden we dat het model in staat zou zijn om te voorspellen of een student elk vraag op een test correct zou beantwoorden, op basis van het gedrag van de student tijdens het spelen van een educatief spel genaamd Crystal Island,” zegt Rowe.

“De standaardaanpak voor het oplossen van dit probleem kijkt alleen naar het totale testscore, waarbij de test wordt gezien als één taak,” vervolgt hij. “In de context van ons multi-task learning-kader heeft het model 17 taken – omdat de test 17 vragen heeft.”

De onderzoekers gebruikten spel- en testgegevens van 181 studenten. De AI analyseerde de speelstijl van elke student en hoe ze vraag 1 op de test beantwoordden. De AI leerde de gemeenschappelijke gedragingen van de studenten die vraag 1 correct beantwoordden en leerde vervolgens de gedragingen van degenen die het incorrect beantwoordden. Met deze gegevens kon de AI bepalen hoe een nieuwe student vraag 1 zou beantwoorden.

Deze functie wordt tegelijkertijd voor elke vraag uitgevoerd. Terwijl de speelstijl die voor een student wordt bekeken hetzelfde is, bestudeert de AI het gedrag in de context van vraag 2, vraag 3, enz.

De multi-task-aanpak was succesvol en maakte een verschil. Het multi-task-model was ongeveer 10 procent nauwkeuriger dan de andere modellen die conventionele AI-trainingsmethoden gebruikten.

Michael Geden is de eerste auteur van het artikel en een postdoctorale onderzoeker aan NC State.

“We zien ons dit type model gebruiken op een paar manieren die studenten kunnen helpen,” zegt hij. “Het kan worden gebruikt om leraren te waarschuwen wanneer de speelstijl van een student aangeeft dat de student mogelijk aanvullende instructie nodig heeft. Het kan ook worden gebruikt om adaptieve spelkenmerken in het spel zelf te faciliteren. Bijvoorbeeld door een verhaallijn aan te passen om de concepten te herbezoeken waar een student moeite mee heeft.

“Psychologie heeft lang erkend dat verschillende vragen verschillende waarden hebben,” vervolgt Geden. “Ons werk hier neemt een interdisciplinaire aanpak die dit aspect van psychologie combineert met diepe leer- en machine learning-benaderingen van AI.”

Andrew Emerson is de co-auteur van het artikel en een promovendus aan NC State.

“Dit opent ook de deur voor het incorporeren van complexere modelleringstechnieken in educatieve software – met name educatieve software die zich aanpast aan de behoeften van de student,” zegt Emerson.

Het artikel is getiteld “Predictive Student Modeling in Educational Games with Multi-Task Learning” en zal worden gepresenteerd op de 34e AAAI-conferentie over kunstmatige intelligentie, die tussen 7 en 12 februari in New York, N.Y. zal plaatsvinden. De co-auteurs van het artikel waren James Lester, Distinguished University Professor of Computer Science en directeur van CEI aan NC State, evenals Roger Azevedo van de University of Central Florida.

Het onderzoek werd ondersteund door de National Science Foundation en de Social Sciences and Humanities Research Council of Canada.