목록 보기
그래프 활용한 노드 간 관계 분석기술로 고도화된 지식추적모델 GKT(Graph-Based Knowledge Tracing)
AI

그래프 활용한 노드 간 관계 분석기술로 고도화된 지식추적모델 GKT(Graph-Based Knowledge Tracing)

뤼이드
뤼이드
2021년 8월 27일

두줄요약

GNN 기반 GKT의 집계·업데이트·예측 구조와 그래프 구성 방식을 소개했습니다. 공개 데이터셋에서 DKT보다 높은 AUC와 학습 개념 관계의 해석 가능성을 확인했습니다.

구조와 흐름

  • 학생의 학습 개념별 hidden state와 embedding, 그래프 이웃 노드 정보 집계
  • MLP, erase-add gate, GRU를 통한 hidden state 업데이트
  • 학습 개념별 정답 확률 예측 단계

선택 이유

  • 노드 간 관계를 반영해 기존 구조가 포착하기 어려운 학습 개념 간 의존성 분석
  • 교육 데이터의 다양한 변수와 학습 개념 관계 모델링 가능성

성능/운영 포인트

  • ASSISTments와 KDDCup 데이터셋 실험에서 DKT보다 높은 AUC
  • 연관된 학습 개념 노드 중심 업데이트를 통한 관계 해석 가능성

적용해볼 점

  • 인접 행렬, 학습 전이 기록, DKT 조건부 예측 확률 기반 그래프 구성
  • 매개변수 인접 행렬, multi-head attention, VAE 기반 그래프 구조 학습

다음 읽기

#Knowledge Tracing 주제를 이어서 읽기

복수의 개념을 동시에 학습할 때도 Knowledge Tracing을 가능하게 한 모델 ‘KTM’

Knowledge Tracing의 역할과 기존 단일 개념 문항 모델의 한계를 설명했습니다. 복수 개념을 반영하는 KTM의 구성과 성능 특성을 소개합니다.

뤼이드
뤼이드
AI
전체 보기

댓글 0개

댓글을 작성하려면 로그인이 필요합니다.

댓글을 불러오는 중...