12434
0
2020-05-01
2020-05-01
近日，廣州市大數(shù)據(jù)智能教育重點(diǎn)實(shí)驗(yàn)室 (Guangzhou Key Laboratory of Big Data and Intelligent Education)團(tuán)隊(duì)面向知識(shí)追蹤研究成果的學(xué)術(shù)論文被國(guó)際人工智能教育大會(huì)2020(AIED，International Conference on Artificial Intelligence in Education)收錄，該論文提出了新的可解釋性知識(shí)追蹤模型，并通過大量實(shí)驗(yàn)證明了該模型能夠提升知識(shí)追蹤的準(zhǔn)確度，對(duì)AI技術(shù)在教育場(chǎng)景的應(yīng)用落地有重要意義，也展示了團(tuán)隊(duì)AI技術(shù)的領(lǐng)先水平。
論文被 AIED 2020收錄 彰顯AI科研實(shí)力
AIED由國(guó)際人工智能教育協(xié)會(huì)(IAIED)組織，該協(xié)會(huì)成立于1993年，擁有來自全球40多個(gè)國(guó)家的1000多名會(huì)員，匯集了計(jì)算機(jī)科學(xué)、教育和心理學(xué)等領(lǐng)域的全球頂尖專家學(xué)者。作為教育應(yīng)用領(lǐng)域的國(guó)際高階會(huì)議，AIED因其為教育計(jì)算應(yīng)用領(lǐng)域提供高質(zhì)量研究的智能系統(tǒng)和認(rèn)知科學(xué)方法而聞名，其收錄的論文也代表了人工智能在教育領(lǐng)域應(yīng)用的最新發(fā)展方向和水平。
廣州市大數(shù)據(jù)智能教育重點(diǎn)實(shí)驗(yàn)室 (Guangzhou Key Laboratory of Big Data and Intelligent Education)團(tuán)隊(duì)撰寫的論文《Learning from Interpretable Analysis: Attention-based Knowledge Tracing》被大會(huì)收錄，彰顯了團(tuán)隊(duì)在AI+教育領(lǐng)域領(lǐng)先的技術(shù)實(shí)力與研究水平。據(jù)悉，2020年AIED將于7月6日至10日舉辦，本次會(huì)議的主題是Augmented Intelligence to Empower Education(增強(qiáng)智能賦能教育)，屆時(shí)團(tuán)隊(duì)將受邀在會(huì)上做報(bào)告，和來自全球的教育、計(jì)算機(jī)等領(lǐng)域的專家學(xué)者共同探索如何利用AI等前沿技術(shù)推動(dòng)教育的創(chuàng)新升級(jí)。
知識(shí)追蹤領(lǐng)域取得突破
經(jīng)過幾年的嘗試和探索，人工智能與教育的融合正逐漸從概念性驗(yàn)證階段進(jìn)入場(chǎng)景落地的應(yīng)用階段。其中，深入教學(xué)環(huán)節(jié)，對(duì)教育行業(yè)影響最大的，當(dāng)屬AI自適應(yīng)學(xué)習(xí)，用人工智能算法提供可規(guī)?；摹?shù)據(jù)驅(qū)動(dòng)的個(gè)性化教育，是AI自適應(yīng)學(xué)習(xí)的根本目標(biāo)。
知識(shí)追蹤對(duì)于AI自適應(yīng)教育有著十分重要的意義，通過對(duì)學(xué)生知識(shí)掌握的實(shí)時(shí)追蹤，機(jī)器能夠有效地挖掘該學(xué)生的知識(shí)掌握薄弱點(diǎn)。對(duì)老師來說，知識(shí)追蹤能夠幫助老師進(jìn)一步增強(qiáng)對(duì)學(xué)生的了解，從而進(jìn)行針對(duì)性的輔導(dǎo)，提升教學(xué)水平和效果;對(duì)學(xué)生來說，了解自己的薄弱點(diǎn)能夠起到查漏補(bǔ)缺的作用，從而規(guī)避題海戰(zhàn)術(shù)，提升學(xué)習(xí)效率和質(zhì)量。
因此，知識(shí)追蹤的精細(xì)化程度和準(zhǔn)確度越高，自適應(yīng)學(xué)習(xí)系統(tǒng)越能精準(zhǔn)地進(jìn)行個(gè)性化學(xué)習(xí)路徑的規(guī)劃，幫助老師和學(xué)生創(chuàng)造出更加高效、積極的學(xué)習(xí)成果。
傳統(tǒng)的知識(shí)追蹤方法對(duì)學(xué)生答題序列的處理大多只考慮題目所對(duì)應(yīng)的知識(shí)點(diǎn)信息，忽視了題目的文本中包含的大量語(yǔ)義、難度等層次化信息。團(tuán)隊(duì)在論文中先利用FSA展開可解釋性分析（圖1），發(fā)現(xiàn)了原有方法對(duì)長(zhǎng)序列數(shù)據(jù)處理的缺陷，進(jìn)而針對(duì)性的提出了一個(gè)基于多頭注意力機(jī)制的模型（圖2）有效解決了長(zhǎng)序列數(shù)據(jù)的處理問題。通過在公開數(shù)據(jù)集上進(jìn)行的大量實(shí)驗(yàn)結(jié)果表明，本論文方法的準(zhǔn)確度取得了state-of-the-art的國(guó)際領(lǐng)先水平。
圖1
圖2
