AI-modell kan forutsi hvor mye studenter lærer

Forskere fra North Carolina State University har utviklet en kunstig intelligens (AI)-modell som kan forutsi hvor mye studenter lærer i utdanningspill. Modellen baserer seg på multi-task learning, et AI-treningkonsept der en modell utfører flere oppgaver. Systemet kan hjelpe med å forbedre undervisningen og læringens resultater.

Jonathan Rowe er medforfatter av papiret som beskriver arbeidet og en forskningsvitenskapsmann ved North Carolina State Universitys Center for Educational Informatics (CEI).

“I vårt tilfelle ønsket vi at modellen skulle kunne forutsi om en student ville svare korrekt på hver spørsmål på en test, basert på studentens atferd mens de spilte et utdanningspill kalt Crystal Island,” sier Rowe.

“Den standard metoden for å løse dette problemet ser bare på den totale testpoengsummen, og ser på testen som en oppgave,” fortsetter han. “I sammenheng med vårt multi-task learning-rammeverk, har modellen 17 oppgaver — fordi testen har 17 spørsmål.”

Forskerne brukte spill- og testdata fra 181 studenter. AI-en analyserte hver students spill og hvordan de svarte på Spørsmål 1 på testen. AI-en lærte de vanlige atferdene til studentene som svarte korrekt på Spørsmål 1, og så lærte den atferdene til de som svarte feil. Med denne dataen kunne AI-en bestemme hvordan en ny student ville svare på Spørsmål 1.

Funksjonen utføres samtidig for hvert spørsmål. Mens spillatferden som gjennomgås for en student er den samme, studerer AI-en atferden i sammenheng med Spørsmål 2, Spørsmål 3, osv.

Multi-task-tilnærmingen var suksessfull og gjorde en forskjell. Multi-task-modellen var omtrent 10 prosent mer nøyaktig enn andre modeller som brukte konvensjonelle AI-treningmetoder.

Michael Geden er hovedforfatter av papiret og en postdoktor ved NC State.

“Vi forestiller oss at denne typen modell kan brukes på flere måter som kan være til nytte for studentene,” sier han. “Den kan brukes til å varsle lærerne når en students spillatferd tyder på at studenten kan trenge ekstra undervisning. Den kan også brukes til å fasilitere adaptive spillfunksjoner i spillet selv. For eksempel, å endre en historie for å gå gjennom konseptene som en student sliter med.

“Psykologien har lenge erkjent at forskjellige spørsmål har forskjellige verdier,” fortsetter Geden. “Vårt arbeid her tar en tverrfaglig tilnærming som gifter denne aspekten av psykologien med dypt lærings- og maskinlæringsmetoder for AI.”

Andrew Emerson er medforfatter av papiret og en ph.d.-student ved NC State.

“Dette åpner også døren for å inkorporere mer komplekse modelleringsteknikker i utdanningsprogramvare — spesielt utdanningsprogramvare som tilpasser seg studentens behov,” sier Emerson.

Papiret heter “Predictive Student Modeling in Educational Games with Multi-Task Learning,” og det vil bli presentert på 34. AAAI-konferansen om kunstig intelligens som skal finne sted mellom 7. og 12. februar i New York, N.Y. Medforfatterne av papiret var James Lester, Distinguished University Professor of Computer Science og direktør for CEI ved NC State, samt Roger Azevedo fra University of Central Florida.

Arbeidet ble støttet av National Science Foundation og Social Sciences and Humanities Research Council of Canada.