Adapting the Prerequisite Structure to the Learner in Student Modeling

Les modèles d'apprenant basés sur les données visent à représenter et comprendre les connaissances des élèves ainsi que leurs autres caractéristiques métacognitives pour soutenir leur apprentissage en faisant des prédictions sur leurs performances futures. La modélisation de l'apprenant peut être abordée en utilisant différentes modèles de système complexes, chacun offrant une perspective différente sur l'étudiant et le processus d'apprentissage. Les techniques d'apprentissage automatique améliorées par la représentation de la connaissance, telles que les réseaux bayésiens, sont particulièrement adaptées pour intégrer la connaissance de domaine dans le modèle de l'apprenant, ce qui en fait un outil précieux dans la modélisation des élèves. Ce travail explore la modélisation et les applications potentielles d'un nouveau cadre appelé E-PRISM (pour Embedding Prerequisite Relationships in Student Modeling), qui inclut un modèle d'apprenant basé sur les réseaux Bayésiens dynamiques. Il utilise une nouvelle architecture pour les réseaux bayésiens qui repose sur la clause d’indépendance des influences causales (ICI), qui réduit le nombre de paramètres dans le réseau et permet une interprétabilité améliorée. L'étude examine les points forts d'EPRISM, notamment sa capacité à considérer la structure préalable requise entre les composants de connaissances, son nombre limité de paramètres et son interprétabilité améliorée. L'étude introduit également une nouvelle approche pour l'inférence approximative dans les grands réseaux bayésiens basés sur la clause ICI, ainsi qu'un algorithme d'apprentissage de paramètres performant dans les réseaux bayésiens basés sur cette clause. Dans l'ensemble, l'étude démontre le potentiel d'E-PRISM comme outil prometteur pour découvrir la structure préalable requise des connaissances de domaine qui peuvent être adaptées à l'apprenant avec pour objectif d'améliorer l'adaptabilité de la boucle extérieure d’un tuteur intelligent. Data-driven learner models aim to represent and understand students' knowledge and other meta-cognitive characteristics to support their learning by making predictions about their future performance. Learner modeling can be approached using various complex system models, each providing a different perspective on the student and the learning process. Knowledge-enhanced machine learning techniques, such as Bayesian networks, are particularly well suited for incorporating domain knowledge into the learner model, makin