Forskare har utformat en artificiell intelligens (AI) -modell som bättre kan förutsäga hur mycket elever lär sig i pedagogiska spel. Den förbättrade modellen använder ett AI-utbildningskoncept som kallas multi-task learning, och kan användas för att förbättra både undervisnings- och lärandemål.

Multi-task learning är ett tillvägagångssätt där en modell uppmanas att utföra flera uppgifter.

"I vårat fall, vi ville att modellen skulle kunna förutsäga om en elev skulle svara korrekt på varje fråga på ett test, baserat på elevens beteende när han spelade ett pedagogiskt spel som heter Crystal Island, "säger Jonathan Rowe, medförfattare till en uppsats om arbetet och en forskare vid North Carolina State University's Center for Educational Informatics (CEI).

"Standardmetoden för att lösa detta problem tittar bara på den totala testpoängen, se testet som en uppgift, "Rowe säger." I samband med vårt multi-task-inlärningsramverk, modellen har 17 uppgifter - eftersom testet har 17 frågor. "

Forskarna hade spel- och testdata från 181 studenter. AI kunde titta på varje elevs spel och hur varje elev besvarade fråga 1 på testet. Genom att identifiera vanliga beteenden hos elever som besvarade fråga 1 korrekt, och vanligt beteende hos elever som fick fråga 1 fel, AI kunde avgöra hur en ny elev skulle svara på fråga 1.

Denna funktion utförs för varje fråga samtidigt; spelet som granskas för en given elev är detsamma, men AI ser på det beteendet i samband med fråga 2, Fråga 3, och så vidare.

Och detta multi-task-tillvägagångssätt gjorde skillnad. Forskarna fann att multi-task-modellen var cirka 10 procent mer exakt än andra modeller som förlitade sig på konventionella AI-träningsmetoder.

"Vi ser för oss att denna typ av modell kommer att användas på ett par sätt som kan gynna studenter, "säger Michael Geden, första författare till uppsatsen och en postdoktoral forskare vid NC State. "Det kan användas för att meddela lärare när en elevs spel tyder på att eleven kan behöva ytterligare instruktioner. Det kan också användas för att underlätta anpassningsbara spelfunktioner i själva spelet. Till exempel, ändra en berättelse för att återkomma till begreppen som en elev kämpar med.

"Psykologin har länge insett att olika frågor har olika värderingar, "Geden säger." Vårt arbete här har ett tvärvetenskapligt tillvägagångssätt som förenar denna aspekt av psykologi med djupinlärning och maskininlärningssätt för AI. "

"Detta öppnar också dörren för att integrera mer komplexa modelleringstekniker i utbildningsprogramvara - särskilt pedagogisk programvara som anpassar sig till studentens behov, "säger Andrew Emerson, medförfattare till tidningen och en doktorsexamen student vid NC State.

Pappret, "Prediktiv studentmodellering i pedagogiska spel med multi-task-inlärning, "kommer att presenteras vid den 34:e AAAI -konferensen om artificiell intelligens, hålls 7-12 februari i New York, N.Y. Tidningen var medförfattare av James Lester, Framstående universitetsprofessor i datavetenskap och chef för CEI vid NC State; och av Roger Azevedo från University of Central Florida.