.png){kind=icon}
返回
Data Augmentation for Sparse Multidimensional Learning Performance Data Using Generative AI
.png){kind=icon}
OA
AI
DOI：10.1109/TLT.2025.3526582.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
学习表现数据，如正确或错误的答案以及智能辅导系统（ITSs）中的问题解决尝试，有助于评估知识掌握程度和提供有效的指导。然而，这些数据在大多数实际应用中往往高度稀疏（80%$\sim$90%缺失观测值）。这种数据稀疏性给使用学习者模型有效预测学习者未来表现和探索新的学习假设带来了挑战。本文提出了一种用于增强学习表现数据以解决数据稀疏性的系统框架。首先，学习表现数据可以表示为一个3-D张量，其维度对应于学习者、问题和尝试，有效捕捉学习过程中的纵向知识状态。其次，使用张量分解方法对收集的学习者数据中的稀疏张量进行缺失值插补，从而将插补建立在知识追踪（KT）任务上，该任务基于实际观测值预测缺失的表现值。第三，使用生成式人工智能模型进行数据增强，包括生成对抗网络（GAN），特别是vanilla GANs和生成式预训练变换器（GPTs，特别是GPT-4o），生成针对个人学习表现集群的数据。我们在为成人阅读理解开发的AutoTutor课程的成人识字数据集上测试了这一系统框架。我们发现，张量分解在追踪和预测学习表现方面优于基线KT技术，显示出更高的数据插补保真度，而基于vanilla GAN的增强在不同样本量下表现出更大的整体稳定性，而GPT-4o基于的增强则表现出更高的变异性，偶尔在某些情况下更接近原始数据分布的保真度。该框架促进了学习表现数据的有效增强，使得在部署前能够在在线和离线环境中以可控、低成本的方式评估和优化ITS教学设计，并支持高级教育数据挖掘和学习分析。
Keyword:
Data augmentation
data sparsity
generative artificial intelligence (GenAI)
intelligent tutoring system (ITS)
learning performance data
期刊
IF:
4.9
论文数:
130
被引数:
3.0K
机构
引用论文
分享收藏Exploring the Individual Differences in Multidimensional Evolution of Knowledge States of Learners.png)
IF0
PREAI
分享收藏The Knowledge‐Learning‐Instruction Framework: Bridging the Science‐Practice Chasm to Enhance Robust Student Learning知识学习教学框架: 弥合科学实践鸿沟，增强学生的稳健学习
OAAI
OAAI分享收藏Predicting Learning Performance with Large Language Models: A Study in Adult Literacy使用大型语言模型预测学习表现：一项成人识字能力的研究
PREAI
分享收藏分享收藏分享收藏
查看更多内容