Analyse und Implementierung eines Knowledge Tracing Modells

Abbildung 1 zeigt das Vorgehen von einer Sequenz bis zur Ausgabe der Wahrscheinlichkeiten. Die Sequenz, welche dem Modell übergeben wird, besteht aus den Modulen, die der Studierende bearbeitet hat und wie er diese gelöst hat. Diese beiden Vektoren werden mithilfe von verschiedenen Funktionen verknüpft und in einen One-Hot-Vektor umgewandelt. Dieser One-Hot-Vektor wird anschließend dem Modell übergeben und zunächst durch eine Masking Schicht geführt. Durch Padding aufgefüllte Werte werden dadurch durch das restliche Netzwerk ignoriert. Im nächsten Schritt wird die Sequenz an die LSTM-Einheiten weitergegeben. Diese sind dafür zuständig, die Abhängigkeiten unter den Konzepten zu modellieren und Wahrscheinlichkeiten zu bestimmen. Die anschließende Dropout-Schicht dient der Prävention von Overfitting des Modells. Abschließend wird die Dropout-Schicht über eine Fully-Connected Schicht zur Ausgabe des Modells umgewandelt. Der Ausgabevektor besitzt die Länge der im eTRainer verwendeten Konzepte. Jedes Element des Ausgabevektors besitzt N Wahrscheinlichkeiten, eine für jeden Zeitpunkt der Sequenz. Das heißt, dass der letzte Eintrag in einem Konzept die Wahrscheinlichkeit widerspiegelt, mit welcher ein Studierender das Konzept zum nächsten Zeitpunkt t+1 richtig beantworten wird. Diese Wahrscheinlichkeit kann nun verwendet werden, um dem Studierenden gezieltere Aufgabenvorschläge zu präsentieren.

Es besteht die Möglichkeit, die Entwicklung der Wahrscheinlichkeiten in einer Heat Map darzustellen, wie in Abbildung 2 zu sehen ist. Auf der y-Achse sind dabei nur Konzepte aufgetragen, die der Studierende auch wirklich bearbeitet hat. Auf der x-Achse ist die Entwickelung der Wahrscheinlichkeiten der einzelnen Konzepte über die Zeit zu sehen. Außerdem wird für jeden Zeitpunkt angegeben, welches Modul wie vom Studierenden gelöst wurde.