教育ビックデータの予測精度と解釈性を両立するBayesian Deep-IRT

点击翻译按钮获取中文摘要

教育ビックデータから学習者の知識状態を推定し，適応的に学習支援するアダプティブラーニングの基礎技術として，Deep Learningの利用が注目されている．これらの手法は学習者の未知の項目への反応予測精度は高いが，パラメータの解釈性が低い問題がある．一方，確率モデルの一つである項目反応理論（IRT）は，パラメータの解釈性は高いが予測精度はDeepLearningに劣る．我々は予測精度と解釈性の両立を目指したDeep-IRTを開発してきたが，この手法では解釈性の改善が限定的であった．そこで，本研究では，Deep-IRTに確率的アプローチを組み込み，高い解釈性と予測精度を実現できるBayesian Deep-IRTを提案する．具体的には，Deep-IRTにベイズ深層学習を用いて確率変数を組み込み，IRT同様の解釈性を持ち，さらに過学習を避けて予測精度も改善できるBayesian DeepIRTを提案する．さらに，ヒントなどの支援による課題への成功確率を予測しながら最適支援（ヒント）選択を行うことを目指し，Deep-IRTにヒントを追加したBayesian Deep Hint modelを開発する．また，本手法が確率的性質を持ち，未知の項目への正答確率推定値が真の値に漸近一致することを数学的に証明する．この目標に向け，令和4年度には，Bayesian Deep-IRTの開発と実装を行った．提案するBayesian Deep-IRTは，同様に独立の学習者ネットワークと項目ネットワークにより構成される．提案モデルでは，学習者のスキル能力の重み，項目のスキル難易度の重みの事後分布に正規分布を仮定し，ベイズ深層学習の変分ベイズ法により事後分布と変分事後分布とのカルバックライブラーを最小にするように変分パラメータを推定した．