โมเดลและแพลตฟอร์ม AI
โมเดล AI สามารถคาดการณ์ได้ว่านักเรียนเรียนรู้ได้มากเพียงใด
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
นักวิจัยจาก มหาวิทยาลัยแห่งรัฐนอร์ทแคโรไลนา ได้พัฒนาโมเดล AI ที่สามารถคาดการณ์ได้ว่านักเรียนเรียนรู้ได้มากเพียงใดในเกมการศึกษา โมเดลนี้พึ่งพาแนวคิดการเรียนรู้หลายงานที่หนึ่งโมเดลสามารถทำงานหลายอย่างได้ ระบบสามารถช่วยปรับปรุงการสอนและผลลัพธ์การเรียนรู้
Jonathan Rowe เป็นผู้ร่วมเขียนบทความที่อธิบายงานและเป็นนักวิจัยที่ศูนย์แห่งการแจ้งข้อมูลด้านการศึกษา (CEI) ของมหาวิทยาลัยแห่งรัฐนอร์ทแคโรไลนา
“ในกรณีของเรา เราต้องการให้โมเดลสามารถคาดการณ์ได้ว่านักเรียนจะตอบคำถามแต่ละข้อในแบบทดสอบได้ถูกต้องหรือไม่ โดยพิจารณาจากพฤติกรรมของนักเรียนขณะเล่นเกมการศึกษาที่เรียกว่า Crystal Island” Rowe กล่าว
“วิธีการมาตรฐานในการแก้ปัญหานี้มองเห็นเพียงคะแนนรวมของแบบทดสอบ โดยมองว่าแบบทดสอบเป็นงานเดียว” เขายังคงพูดต่อไป “ในบริบทของการเรียนรู้หลายงานของเรา โมเดลมี 17 งาน — เนื่องจากแบบทดสอบมี 17 คำถาม”
นักวิจัยใช้ข้อมูลการเล่นเกมและการทดสอบจากนักเรียน 181 คน AI วิเคราะห์การเล่นเกมของนักเรียนแต่ละคนและวิธีที่พวกเขาตอบคำถามที่ 1 ในแบบทดสอบ AI เรียนรู้พฤติกรรมทั่วไปของนักเรียนที่ตอบคำถามที่ 1 ถูกต้อง และเรียนรู้พฤติกรรมของนักเรียนที่ตอบคำถามที่ 1 ไม่ถูกต้อง ด้วยข้อมูลนี้ AI สามารถกำหนดได้ว่านักเรียนใหม่จะตอบคำถามที่ 1 อย่างไร
ฟังก์ชันนี้ทำงานในเวลาเดียวกันสำหรับคำถามทุกข้อ ในขณะที่การเล่นเกมที่ตรวจสอบสำหรับนักเรียนเป็นแบบเดียวกัน AI ศึกษาพฤติกรรมในบริบทของคำถามที่ 2 คำถามที่ 3 และอื่นๆ
แนวทางหลายงานนี้ประสบความสำเร็จและทำให้เกิดความแตกต่าง โมเดลหลายงานมีความแม่นยำมากกว่าโมเดลอื่นๆ ที่ใช้วิธีการฝึกอบรม AI แบบเดิมๆ ประมาณ 10 เปอร์เซ็นต์
Michael Geden เป็นผู้เขียนบทความหลักและเป็นนักวิจัยหลังปริญญาเอกที่ NC State
“เรามองเห็นโมเดลประเภทนี้ที่จะถูกใช้ในหลายวิธีที่สามารถช่วยให้นักเรียนได้” เขากล่าว “มันสามารถใช้เพื่อแจ้งให้ครูทราบเมื่อพฤติกรรมการเล่นเกมของนักเรียนบ่งชี้ว่านักเรียนอาจต้องการการสอนเพิ่มเติม มันสามารถใช้เพื่ออำนวยความสะดวกในการเล่นเกมแบบปรับเปลี่ยนในเกมเอง เช่น การเปลี่ยนแปลงเรื่องราวเพื่อกลับไปที่แนวคิดที่นักเรียนกำลังดิ้นรน”
“จิตวิทยาได้รับการยอมรับมาเป็นเวลานานแล้วว่าคำถามแต่ละข้อมูลมีค่าแตกต่างกัน” Geden ยังคงพูดต่อไป “งานของเราที่นี่ใช้วิธีการแบบสหวิทยาการที่รวมเอาแง่มุมนี้ของจิตวิทยาด้วยการเรียนรู้ลึกและการเรียนรู้ของเครื่องจักร”
Andrew Emerson เป็นผู้ร่วมเขียนบทความและเป็นนักศึกษาระดับ博士ที่ NC State
“สิ่งนี้ยังเปิดประตูให้สามารถรวมเทคนิคการสร้างแบบจำลองที่ซับซ้อนมากขึ้นเข้ากับซอฟต์แวร์ทางการศึกษา — โดยเฉพาะซอฟต์แวร์ทางการศึกษาที่ปรับเปลี่ยนตามความต้องการของนักเรียน” Emerson กล่าว
บทความนี้มีชื่อว่า “Predictive Student Modeling in Educational Games with Multi-Task Learning” และจะนำเสนอที่การประชุม AAAI ที่ 34 เกี่ยวกับปัญญาประดิษฐ์ที่จะจัดขึ้นระหว่างวันที่ 7-12 กุมภาพันธ์ที่นิวยอร์ก นิวยอร์ก ผู้ร่วมเขียนบทความคือ James Lester ศาสตราจารย์ด้านวิทยาการคอมพิวเตอร์แห่งมหาวิทยาลัยและผู้อำนวยการ CEI ที่ NC State และ Roger Azevedo จากมหาวิทยาลัยแห่งรัฐฟลอริดากลาง
งานนี้ได้รับการสนับสนุนจาก National Science Foundation และ Social Sciences and Humanities Research Council of Canada
