AI
예제의 택스트까지 학습해 정오답예측 정확도 높인 모델 ‘EERNN’
두줄요약
문제 텍스트를 임베딩해 학습자의 정오답을 예측하는 EERNN 구조를 소개했습니다. Attention 기반 과거 문제 연관성 활용과 실험 결과를 분석했습니다.
문제 상황
- 기존 BKT·DKT의 문제 ID와 정오답 중심 입력만으로 문제 의미 반영의 한계
- 유사한 문제의 자연어 내용과 학습 이력을 함께 활용할 필요
구조와 흐름
- Word2Vec과 Bi-directional LSTM으로 문제 텍스트를 벡터 임베딩으로 변환
- 학생 상태와 새 문제 임베딩을 결합해 다음 문제의 정답 확률 예측
- EERNN-M의 최근 상태 활용과 EERNN-A의 Attention 기반 과거 상태 가중 결합 비교
성능/운영 포인트
- 고등학생 수학 사내 데이터셋에서 EERNN이 비교 모델보다 높은 성능
- EERNN 및 LSTM 모델에서 Attention 사용의 성능 개선 경향
- 긴 입력 시퀀스에서 EERNN-A의 성능 향상 둔화와 EERNN-M의 지속 향상
주의할 점
- 사내 Private Dataset 기반 실험으로 데이터 일반화 검증의 제약
- 비교 모델과 EERNN 간 입력 정보량 차이에 따른 성능 비교 해석 필요