17일 전

SAINT+: 시간적 특징을 통합한 EdNet 정확도 예측

Dongmin Shin, Yugeun Shim, Hangyeol Yu, Seewoo Lee, Byungsoo Kim, Youngduck Choi
SAINT+: 시간적 특징을 통합한 EdNet 정확도 예측
초록

우리는 기존의 Transformer 기반 지식 추적 모델인 SAINT의 후속 모델인 SAINT+를 제안한다. SAINT는 문제 정보와 학습자 응답 정보를 별도로 처리하는 모델이며, SAINT+는 이를 계승하여 인코더-디코더 구조를 채택하고 있다. 인코더는 문제 임베딩 시퀀스에 자기주의(self-attention) 레이어를 적용하고, 디코더는 응답 임베딩 시퀀스와 인코더 출력을 번갈아가며 자기주의 레이어와 인코더-디코더 주의 레이어를 적용한다. 또한 SAINT+는 응답 임베딩에 두 가지 시계열 특징 임베딩을 도입한다. 하나는 학습자가 문제를 해결하는 데 소요된 시간인 경과 시간(elapsed time), 다른 하나는 인접한 학습 활동 사이의 시간 간격인 지연 시간(lag time)이다. 우리는 교육 분야에서 가장 큰 공개 기준 데이터셋인 EdNet에서 SAINT+의 효과성을 실증적으로 평가하였다. 실험 결과, SAINT+는 기존 최고 성능 모델인 SAINT 대비 수신기 작동 특성 곡선 아래 면적(AUC)에서 1.25% 향상된 최신 기술(SOTA) 성능을 달성함으로써 지식 추적 분야에서 최고의 성능을 보였다.