깊은 지식 추적

지식 추적---학생이 과정 학습과 상호작용하면서 학생의 지식을 컴퓨터가 모델링하는 문제---는 컴퓨터 지원 교육에서 잘 확립된 주제입니다. 효과적인 학생 지식 모델링은 교육적으로 큰 영향을 미칠 수 있지만, 이 작업에는 많은 본질적인 어려움이 있습니다. 본 논문에서는 반복 신경망(Recurrent Neural Networks, RNNs)을 사용하여 학생 학습을 모델링하는 방법의 활용성을 탐구합니다. RNN 모델군은 기존 방법보다 중요한 장점이 있어, 인간의 도메인 지식을 명시적으로 인코딩할 필요가 없으며, 학생의 지식에 대한 더 복잡한 표현을 포착할 수 있습니다. 신경망을 사용하면 다양한 지식 추적 데이터셋에서 예측 성능이 크게 향상됩니다. 또한 학습된 모델은 지능형 커리큘럼 설계에 활용될 수 있으며, 학생 과제에서 구조를 직관적으로 해석하고 발견할 수 있게 합니다. 이러한 결과들은 지식 추적 연구의 유망한 새로운 방향과 RNN의 우수한 응용 사례를 제시합니다.