Dynamic Student Embeddings for a Stable Time Dimension in Knowledge Tracing

KTH, Skolan för elektroteknik och datavetenskap (EECS) 2020

Knowledge tracing is concerned with tracking a student’s knowledge as she/he engages with exercises in an (online) learning platform. A commonly used state-of-theart knowledge tracing model is Deep Knowledge Tracing (DKT) which models the time dimension as a sequence of completed exercises per student by using a Long Short-Term Memory Neural Network (LSTM). However, a common problem in this sequence-based model is too much instability in the time dimension of the modelled knowledge of a student. In other words, the student’s knowledge on a skill changes too quickly and unreliably. We propose dynamic student embeddings as a stable method for encoding the time dimension of knowledge tracing systems. In this method the time dimension is encoded in time slices of a fixed size, while the model’s loss function is designed to smoothly align subsequent time slices. We compare the dynamic student embeddings to DKT on a large-scale real-world dataset, and we show that dynamic student embeddings provide a more stable knowledge tracing while retaining good performance.
Kunskapsspårning handlar om att modellera en students kunskaper då den arbetar med uppgifter i en (online) lärplattform. En vanlig state-of-the-art kunskapsspårningsmodell är Deep Knowledge Tracing (DKT) vilken modellerar tidsdimensionen som en sekvens av avslutade uppgifter per student med hjälp av ett neuronnät kallat Long Short-Term Memory Neural Network (LSTM). Ett vanligt problem i dessa sekvensbaserade modeller är emellertid en för stor instabilitet i tidsdimensionen för studentens modellerade kunskap. Med andra ord, studentens kunskaper förändras för snabbt och otillförlitligt. Vi föreslår därför Dynamiska Studentvektorer som en stabil metod för kodning av tidsdimensionen för kunskapsspårningssystem. I denna metod kodas tidsdimensionen i tidsskivor av fix storlek, medan modellens förlustfunktion är utformad för att smidigt justera efterföljande tidsskivor. I denna uppsats jämför vi de Dynamiska Studentvektorer med DKT i en storskalig verklighetsbaserad dataset, och visar att Dynamiska Studentvektorer tillhandahåller en stabilare kunskapsspårning samtidigt som prestandan bibehålls.

Knowledge Tracing; Exercise Recommendation; Adaptive Learning; Machine Learning; Word Embeddings; Dynamic Embeddings; Recurrent Neural Networks; Long Short-Term Memory Neural Networks; Kunskapsspårning; Uppgiftsrekommendation; Adaptivt Lärande; Maskininlärning; Ordvektorer; Dynamiska Studentvektorer; Long ShortTerm Memory Neural Networks; Computer and Information Sciences; Data- och informationsvetenskap; Student thesis; info:eu-repo/semantics/bachelorThesis; text

Open access content. Open access content
info:eu-repo/semantics/openAccess

application/pdf
English

UPE oai:DiVA.org:kth-281878
1293981360

UPPSALA UNIV LIBR
From OAIster®, provided by the OCLC Cooperative.

edsoai.on1293981360