AI
그래프 활용한 노드 간 관계 분석기술로 고도화된 지식추적모델 GKT(Graph-Based Knowledge Tracing)
두줄요약
GNN 기반 GKT의 집계·업데이트·예측 구조와 그래프 구성 방식을 소개했습니다.\n공개 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
