AI-modellen kan förutsäga hur mycket eleverna lär sig

Forskare från North Carolina State University har utvecklat en artificiell intelligens (AI) modell som kan förutsäga hur mycket eleverna lär sig i pedagogiska spel. Modellen bygger på multi-task learning, ett AI-träningskoncept där en modell utför flera uppgifter. Systemet kan hjälpa till att förbättra undervisning och läranderesultat.

Jonathan Rowe är medförfattare till artikeln 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 korrekt på varje fråga på ett test, baserat på elevens beteende när han spelade ett pedagogiskt spel som heter Crystal Island", säger Rowe.

"Standardmetoden för att lösa detta problem ser bara på det totala testresultatet, och ser testet som en uppgift", fortsätter han. "Inom ramen för vårt multi-task inlärningsramverk har modellen 17 uppgifter - eftersom testet har 17 frågor."

Forskarna använde spel- och testdata från 181 elever. AI:n analyserade varje elevs gameplay och hur de svarade på fråga 1 på testet. AI:n lärde sig de vanliga beteendena hos eleverna som svarade på fråga 1 korrekt, och lärde sig sedan beteendet hos de som svarade fel. Med dessa data kunde AI:n bestämma hur en ny elev skulle svara på fråga 1.

Funktionen utförs samtidigt för varje fråga. Medan spelupplägget som granskas för en elev är detsamma, studerar AI beteendet i samband med fråga 2, fråga 3, etc.

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

Michael Geden är den första författaren till artikeln och en postdoktorand forskare vid NC State.

"Vi föreställer oss att den här typen av modell används på ett par sätt som kan gynna studenterna", säger han. "Det kan användas för att meddela lärare när en elevs spelande tyder på att eleven kan behöva ytterligare instruktioner. Det kan också användas för att underlätta adaptiva spelfunktioner i själva spelet. Till exempel att ändra en berättelse för att återvända till de koncept som en elev kämpar med.

"Psykologin har länge insett att olika frågor har olika värderingar", fortsätter Geden. "Vårt arbete här tar ett tvärvetenskapligt tillvägagångssätt som kombinerar denna aspekt av psykologi med djupinlärning och maskininlärningsmetoder för AI."

Andrew Emerson är medförfattare till uppsatsen och en Ph.D. student vid NC State.

"Detta öppnar också dörren till att införliva mer komplexa modelleringstekniker i pedagogisk programvara - särskilt pedagogisk programvara som anpassar sig till studentens behov", säger Emerson.

Uppsatsen har titeln "Predictive Student Modeling in Educational Games with Multi-Task Learning", och den kommer att presenteras vid den 34:e AAAI-konferensen om artificiell intelligens som kommer att äga rum mellan 7-12 februari i New York, NY. -författare till uppsatsen 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.