Suivi de Connaissance Profonde

Le suivi des connaissances --- où une machine modélise les connaissances d'un étudiant au fur et à mesure qu'il interagit avec le matériel de cours --- est un problème bien établi dans l'éducation assistée par ordinateur. Bien que la modélisation efficace des connaissances des étudiants puisse avoir un impact éducatif significatif, cette tâche présente de nombreux défis inhérents. Dans cet article, nous explorons l'utilité de l'utilisation des Réseaux de Neurones Récurrents (RNN) pour modéliser l'apprentissage des étudiants. La famille des modèles RNN présente des avantages importants par rapport aux méthodes précédentes, notamment en ce qu'ils n'exigent pas une codification explicite des connaissances humaines du domaine et peuvent capturer des représentations plus complexes des connaissances des étudiants. L'utilisation de réseaux de neurones entraîne d'importantes améliorations des performances prédictives sur une variété de jeux de données de suivi des connaissances. De plus, le modèle appris peut être utilisé pour la conception intelligente de programmes d'études et permet une interprétation directe et la découverte de structures dans les tâches des étudiants. Ces résultats suggèrent une nouvelle ligne prometteuse de recherche pour le suivi des connaissances et une application exemplaire pour les RNN.