AI-modell kan förutsäga hur mycket elever lär sig

Forskare från North Carolina State University har utvecklat en artificiell intelligensmodell (AI) som kan förutsäga hur mycket elever lär sig i utbildningsspel. Modellen bygger på multi-task learning, en AI-träningskoncept där en modell utför flera uppgifter. Systemet kan hjälpa till att förbättra undervisningen och läranderesultaten.

Jonathan Rowe är medförfattare till den rapport som beskriver arbetet och en forskare vid North Carolina State Universitys Center for Educational Informatics (CEI).

“I vårt fall ville vi att modellen skulle kunna förutsäga om en elev skulle svara rätt på varje fråga på en test, baserat på elevens beteende medan de spelade ett utbildningsspel som heter Crystal Island”, säger Rowe.

“Den vanliga metoden för att lösa detta problem tittar bara på den övergripande testpoängen, och ser testet som en uppgift”, fortsätter han. “I sammanhanget med vår multi-task learning-ramverk har modellen 17 uppgifter – eftersom testet har 17 frågor.”

Forskarna använde speldata och testdata från 181 elever. AI-analysen av elevens spelande och hur de svarade på fråga 1 på testet. AI lärde sig de vanliga beteendena hos elever som svarade rätt på fråga 1, och den lärde sig beteendena hos de som svarade fel. Med denna data kunde AI bestämma hur en ny elev skulle svara på fråga 1.

Funktionen utförs samtidigt för varje fråga. Medan det spelande som granskas för en elev är detsamma, studerar AI beteendet i sammanhanget med fråga 2, fråga 3, osv.

Multi-task-ansatsen var framgångsrik och gjorde en skillnad. Multi-task-modellen var cirka 10 procent mer exakt än de andra modellerna som använde konventionella AI-träningsmetoder.

Michael Geden är huvudförfattare till rapporten och en postdoktor vid NC State.

“Vi ser att den här typen av modell kan användas på ett par sätt som kan gynna eleverna”, säger han. “Den kan användas för att meddela lärare när en elevs spelande tyder på att eleven kan behöva ytterligare undervisning. Den kan också användas för att underlätta adaptiva spelfunktioner i spelet självt. Till exempel genom att ändra en berättelse för att återbesöka de begrepp som en elev kämpar med.

“Psykologin har länge erkänt att olika frågor har olika värden”, fortsätter Geden. “Vårt arbete här tar en tvärvetenskaplig ansats som förenar detta aspekt av psykologi med djupinlärning och maskinlärningsansatser till AI.”

Andrew Emerson är medförfattare till rapporten och en doktorand vid NC State.

“Detta öppnar också dörren för att inkorporera mer komplexa modelleringsmetoder i utbildningsprogramvara – särskilt utbildningsprogramvara som anpassar sig till elevens behov”, säger Emerson.

Rapporten heter “Predictive Student Modeling in Educational Games with Multi-Task Learning” och kommer att presenteras vid den 34:e AAAI-konferensen om artificiell intelligens som ska äga rum mellan den 7-12 februari i New York, NY. Medförfattarna till rapporten var James Lester, Distinguished University Professor of Computer Science och chef för CEI vid NC State, samt Roger Azevedo från University of Central Florida.

Arbetet stöddes av National Science Foundation och Social Sciences and Humanities Research Council of Canada.