17일 전

GIKT: 지식 추적을 위한 그래프 기반 상호작용 모델

Yang Yang, Jian Shen, Yanru Qu, Yunfei Liu, Kerong Wang, Yaoming Zhu, Weinan Zhang, Yong Yu
GIKT: 지식 추적을 위한 그래프 기반 상호작용 모델
초록

온라인 교육의 급속한 발전에 따라 지식 추적(Knowledge Tracing, KT)은 학생의 지식 상태를 추적하고 새로운 문제에 대한 성과를 예측하는 핵심 과제로 부상하고 있다. 온라인 교육 시스템에서는 문제의 수가 많지만, 이들 문제는 상대적으로 적은 수의 학습 기술(skill)과 연관되어 있다. 그러나 기존 연구들은 문제 정보와 고차원의 문제-기술 간 상관관계를 함께 고려하지 못했으며, 데이터의 희소성과 다중 기술 문제로 인해 제한을 받았다. 모델 측면에서 보면, 기존 모델들은 학생의 과거 문제 풀이 이력에 대한 장기적 의존성을 효과적으로 포착하지 못하며, 학생-문제 간 상호작용과 학생-기술 간 상호작용을 일관성 있게 모델링하기 어렵다. 본 논문에서는 이러한 문제를 해결하기 위해 지식 추적을 위한 그래프 기반 상호작용 모델(Graph-based Interaction model for Knowledge Tracing, GIKT)을 제안한다. 구체적으로, GIKT는 그래프 컨볼루션 네트워크(Graph Convolutional Network, GCN)를 활용하여 임베딩 전파를 통해 문제-기술 간 상관관계를 효과적으로 통합한다. 또한, 관련 문제가 과거 풀이 이력에 흩어져 있는 경우가 많고, 문제와 기술이 모두 지식의 서로 다른 표현 형태임을 고려하여, 학생이 특정 문제를 얼마나 잘 숙지하고 있는지를, 학생의 현재 상태, 관련 과거 문제 풀이 이력, 대상 문제, 그리고 관련 기술 간의 상호작용으로 일반화한다. 세 가지 데이터셋에 대한 실험 결과, GIKT는 기존 최고 성능 대비 최소 1% 이상의 절대 AUC 향상을 달성하며, 새로운 최고 성능을 기록하였다.

GIKT: 지식 추적을 위한 그래프 기반 상호작용 모델 | 최신 연구 논문 | HyperAI초신경