AI
복수의 개념을 동시에 학습할 때도 Knowledge Tracing을 가능하게 한 모델 ‘KTM’
두줄요약
Knowledge Tracing의 역할과 기존 단일 개념 문항 모델의 한계를 설명했습니다. 복수 개념을 반영하는 KTM의 구성과 성능 특성을 소개합니다.
구조와 흐름
- 학생의 행동 로그로 미풀이 문항의 정답 확률을 예측하는 Knowledge Tracing
- 문항별 정답 확률 벡터를 학생 지식 상태로 활용하는 방식
- IRT·CAT의 정보량 최대화와 약점 분석·난이도 조절에 필요한 예측 정확도
문제 상황
- BKT·DKT·IRT·MF 등 기존 모델의 단일 문항-단일 개념 대응 가정
- 여러 지식을 동시에 요구하는 문항의 구조적 모델링 한계
해결 방법
- 문항 풀이에 필요한 지식 개념의 집합을 반영하는 Knowledge Tracing Machines(KTM)
- 학생의 문항 풀이 결과와 문항별 필요 개념 이해도를 함께 고려한 정답 예측
- Logistic Regression의 문항 모델링과 Matrix Factorization의 개념 이해 모델링 결합
성능/운영 포인트
- student·item latent dimension 확장보다 KTM의 우수한 성능 결과
- Assistment 데이터와 베이스라인 모델 비교 기반의 성능 검증