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 te voorspellen hoeveel 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 over dit onderzoek en een onderzoeker bij het Center for Educational Informatics (CEI) van de North Carolina State University.

“In ons geval wilden we dat het model kon voorspellen of een student elke 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 de overall 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 het spelgedrag 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 uitgevoerd voor elke vraag. Terwijl het spelgedrag dat 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 postdoctoraal onderzoeker bij NC State.

“We zien dit type model gebruikt worden op een paar manieren die studenten kunnen helpen,” zegt hij. “Het kan worden gebruikt om docenten te informeren wanneer het spelgedrag 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 te wijzigen om de concepten te herbezoeken waar een student mee worstelt.

“Psychologie heeft lang erkend dat verschillende vragen verschillende waarden hebben,” vervolgt Geden. “Ons werk hier combineert deze aspecten van psychologie met diepe leer- en machine learning-benaderingen van AI.”

Andrew Emerson is de co-auteur van het artikel en een PhD-student bij NC State.

“Dit opent ook de deur voor het incorporeren van meer complexe modelleringstechnieken in educatieve software – vooral 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 plaatsvindt tussen 7 en 12 februari in New York. De co-auteurs van het artikel waren James Lester, Distinguished University Professor of Computer Science en directeur van CEI bij 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.