北大教育论坛第261讲

Deep Performance Factors Analysis for Knowledge Tracing

蒲石

（美国教育考试服务中心人工智能工程师）

主讲人：蒲石 美国教育考试服务中心人工智能工程师

讲座时间：2022年6月8日（周三）09:00-11:00

讲座链接：腾讯会议https://meeting.tencent.com/dm/vMuN1lHPol4W

腾讯会议号：846-764-813

主持人：朱琼 北京大学教育学院助理教授

摘要：智能教学系统(Intelligent Tutoring System)是一种实现因材施教的低成本可普及方式。通常，一个智能教学系统会首先根据数据建立用户模型 (student model)，并在此基础上设计最优教学方案。常见的用户模型关注用户的技能掌握 (skill mastery)，学习投入 (engagement)，和情绪 (affect)。

自Corbett和 Anderson于 1995年发表了贝叶斯知识跟踪 (Bayesian Knowledge Tracing)以来，知识跟踪(Knowledge Tracing) 成为了估计用户技能掌握的主流方案。知识跟踪的模型也随着公开数据集的普及，线上教育的兴起，和深度学习 (deep learning)的发展日渐完善。近年来的知识追踪发展主要集中在采用神经网络(neural network)来增强模型的性能上，但是这些基于神经网络的知识追踪可解释性普遍较差。

本文介绍知识跟踪的一个新的模型框架：Deep Performance Factors Analysis (DPFA). 实验结果显示DPFA在常见公开数据集上的性能不亚于最优异的深度知识追踪模型（deep neural network based knowledge tracing）。不仅如此，DPFA兼具易解释和易拓展的优点。

主讲人简介：蒲石，美国教育考试服务中心（ETS）人工智能工程师。2010年获新加坡国立大学计算机科学学士学位，2011年获纽约哥伦比亚大学金融数学硕士学位，2017年获美国 宾夕法尼亚州立大学高等教育博士学位。主要从事于人工智能和教育的交叉领域研究。侧重于使用机器学习(machine learning)和多模态数据(multimodality)建立学生模型(student modeling)。迄今在The Journal of Higher Education, Educational Researcher, Research in Higher Education 等国外知名期刊和International Conference on Artificial Intelligence in Education 和 International Conference on Educational Data Mining 等知名会议上发表论文10余篇。