Model AI może przewidzieć, ile uczniowie uczą się

Naukowcy z Uniwersytetu Stanu Karolina Północna opracowali model sztucznej inteligencji (AI), który jest w stanie przewidzieć, ile uczniowie uczą się w edukacyjnych grach. Model opiera się na wielozadaniowym uczeniu, pojęciu szkolenia AI, w którym jeden model wykonuje wiele zadań. System może pomóc w poprawie nauczania i wyników uczenia się.

Jonathan Rowe jest współautorem artykułu opisującego tę pracę i naukowcem w Centrum Informacji Edukacyjnej (CEI) Uniwersytetu Stanu Karolina Północna.

“W naszym przypadku chcieliśmy, aby model mógł przewidzieć, czy uczeń odpowiedziałby poprawnie na każde pytanie testowe, na podstawie zachowania ucznia podczas gry edukacyjnej Crystal Island”, mówi Rowe.

“Standardowe podejście do rozwiązania tego problemu sprowadza się do analizy tylko ogólnego wyniku testu, traktując test jako jedno zadanie”, kontynuuje. “W kontekście naszego ramienia wielozadaniowego model ma 17 zadań – ponieważ test składa się z 17 pytań”.

Naukowcy wykorzystali dane z gry i testów 181 uczniów. AI analizowała grę każdego ucznia i to, jak odpowiedzieli na pytanie 1 testowe. AI nauczyła się zachowań uczniów, którzy odpowiedzieli poprawnie na pytanie 1, a następnie nauczyła się zachowań tych, którzy odpowiedzieli niepoprawnie. Z tymi danymi AI mogła określić, jak nowy uczeń odpowiedziałby na pytanie 1.

Funkcja ta jest wykonywana jednocześnie dla każdego pytania. Podczas gdy gra, która jest analizowana dla ucznia, jest taka sama, AI studiuje zachowanie w kontekście pytania 2, pytania 3 itd.

Podejście wielozadaniowe okazało się skuteczne i przyniosło różnicę. Model wielozadaniowy był o około 10 procent bardziej dokładny niż modele, które wykorzystywały konwencjonalne metody szkolenia AI.

Michael Geden jest pierwszym autorem artykułu i naukowcem w NC State.

“Widzimy, że ten typ modelu może być wykorzystany w kilku sposób, który może przynieść korzyści uczniom”, mówi. “Mógłby być wykorzystany do powiadamiania nauczycieli, gdy gra ucznia wskazuje, że uczeń może potrzebować dodatkowych instrukcji. Mógłby być również wykorzystany do ułatwienia funkcji adaptacyjnych w samej grze. Na przykład, zmiana fabuły, aby powrócić do pojęć, z którymi uczeń ma trudności.

“Psychologia od dawna uznaje, że różne pytania mają różne wartości”, kontynuuje Geden. “Nasza praca tutaj podejmuje interdyscyplinarny podejście, które łączy ten aspekt psychologii z podejściami głębokiego uczenia się i maszynowego uczenia się w AI”.

Andrew Emerson jest współautorem artykułu i doktorantem w NC State.

“To również otwiera drzwi do włączania bardziej złożonych technik modelowania do oprogramowania edukacyjnego – szczególnie oprogramowania edukacyjnego, które dostosowuje się do potrzeb ucznia”, mówi Emerson.

Artykuł nosi tytuł „Przewidywanie modelu ucznia w grach edukacyjnych z wielozadaniowym uczeniem” i zostanie przedstawiony na 34. Konferencji AAAI poświęconej sztucznej inteligencji, która odbędzie się w dniach 7-12 lutego w Nowym Jorku. Współautorami artykułu byli James Lester, profesor komputerowych nauk i dyrektor CEI w NC State, oraz Roger Azevedo z Uniwersytetu Centralnej Florydy.

Praca została wsparta przez Narodową Fundację Nauki i Radę ds. Nauk Społecznych i Humanistycznych Kanady.