Модель штучного інтелекту може передбачити, скільки студенти вчаться

Дослідники з Університету штату Північна Кароліна розробили модель штучного інтелекту, яка здатна передбачити кількість знань, які студенти здобувають під час гри в освітніх іграх. Модель використовує багатозадачне навчання, концепцію навчання штучного інтелекту, коли одна модель виконує кілька завдань. Система може допомогти покращити навчання та результати навчання.

Джонатан Роу – співавтор статті про цю роботу та науковий співробітник Центру освітніх інформатики (CEI) Університету штату Північна Кароліна.

“У нашому випадку ми хотіли, щоб модель могла передбачити, чи відповість студент правильно на кожне питання тесту, ґрунтуючись на поведінці студента під час гри в освітню гру під назвою Crystal Island”, – говорить Роу.

“Стандартний підхід до розв’язання цієї проблеми полягає в тому, щоб розглянути лише загальний бал тесту, розглядаючи тест як одне завдання”, – продовжує він. “У контексті нашої багатозадачної моделі модель має 17 завдань – тому що тест складається з 17 питань.”

Дослідники використали дані про гру та тестування 181 студента. Штучний інтелект проаналізував гру кожного студента та те, як вони відповіли на питання 1 тесту. Штучний інтелект вивчив спільні поведінки студентів, які відповіли правильно на питання 1, і вивчив поведінки тих, хто відповів неправильно. З цими даними штучний інтелект зміг визначити, як новий студент відповість на питання 1.

Ця функція виконується одночасно для кожного питання. Хоча гра, яку переглядають для студента,相同на, штучний інтелект вивчає поведінку в контексті питання 2, питання 3 тощо.

Багатозадачний підхід був успішним і зробив різницю. Багатозадачна модель була приблизно на 10 відсотків більш точною, ніж інші моделі, які використовували традиційні методи навчання штучного інтелекту.

Майкл Геден – основний автор статті та постдокторант Університету штату Північна Кароліна.

“Ми бачимо, що така модель може бути використана кількома способами, які можуть принести користь студентам”, – говорить Геден. “Її можна використовувати для повідомлення вчителям, коли гра студента свідчить про те, що студент може потребувати додаткового навчання. Її також можна використовувати для забезпечення адаптивних функцій гри в самій грі. Наприклад, змінивши сюжет, щоб повернутися до концепцій, з якими студент бореться.

“Психологія давно визнає, що різні питання мають різні значення”, – продовжує Геден. “Наша робота тут поєднує цей аспект психології з підходами глибокого навчання та машинного навчання штучного інтелекту.”

Ендрю Емерсон – співавтор статті та аспірант Університету штату Північна Кароліна.

“Це також відкриває двері для включення більш складних методів моделювання в освітнє програмне забезпечення – особливо в освітнє програмне забезпечення, яке адаптується до потреб студента”, – говорить Емерсон.

Стаття називається “Прогнозування моделі студента в освітніх іграх з багатозадачним навчанням” і буде представлена на 34-ій конференції AAAI з штучного інтелекту, яка відбудеться з 7 по 12 лютого в Нью-Йорку. Співавторами статті були Джеймс Лестер, заслужений професор університету, професор комп’ютерних наук та директор CEI в Університеті штату Північна Кароліна, а також Роджер Азеведо з Університету Центральної Флориди.

Робота була підтримана Національним науковим фондом та Радою з наукових та гуманітарних досліджень Канади.