机构名称：
¥ 1.0
摘要 预测学生的解决问题策略是一个复杂的问题，但它会对自动教学系统产生重大影响，因为它们可以根据学习者的情况调整或个性化系统。虽然对于小型数据集，学习专家可能能够手动分析数据来推断学生的策略，但对于大型数据集，这种方法是不可行的。我们开发了一个机器学习模型来根据学生数据预测策略。虽然基于深度神经网络 (DNN) 的方法（例如 LSTM）可以应用于此任务，但它们对于大型数据集通常具有较长的收敛时间，并且与其他几种基于 DNN 的方法一样，存在数据过度拟合的固有问题。为了解决这些问题，我们开发了一种用于策略预测的神经符号方法，即结合符号 AI（可以编码领域知识）和 DNN 的优势的模型。具体来说，我们使用马尔可夫逻辑对数据中的关系进行编码，并利用这些关系之间的对称性来更有效地训练 LSTM。具体来说，我们使用重要性抽样方法，对训练数据进行抽样，以便对于对称实例的群集/组（策略可能对称的实例），我们仅选择代表性样本来训练模型，而不是使用整个组。此外，由于某些组可能包含比其他组更多样化的策略，我们会根据先前观察到的样本调整重要性权重。通过对 KDD EDM 挑战数据集进行实证评估，我们展示了我们方法的可扩展性。
使用神经符号方法预测学生策略
主要关键词
相关文件推荐
