인공지능교육 : 지식 추적(KT)에 대한 배경 지식

DKT의 한계와 개선방법

-데이터 의존적 : 데이터 클래스가 불균형할 경우 train 단계에서 편향된 결과를 출력함.
-손실함수를 수정해 샘플이 거의 없는 데이터에 더 높은 cost를 할당함
-DKT에 전문가가 구축한 BN(bayesian network) 활용
-DKT hidden state 와 전문가 context vector를 더해 attentional hidden state 를 생성함
-평가지표로 F1 스코어(precision 과 recall의 조화평균)를 활용함
 
 

다양한 교육 관련 open data set

 1) CEDS : 최대규모의 data set / 포괄적이고 광범위한 feature를 포함하고 있음.
 2) synthetic : 항목응답이론을 기반으로 재현한 데이터 셋 / 전체 개념수가 2개, 5개인 데이터셋은 공개하고 있음
 3) ASSISTment : 온라인 튜터링 시스템 ASSISTment system 에서 수집된 데이터셋 / 매 3줄이 1명의 학생을 나타냄
 4) STATIC 2011 : 카네기 멜론 대학에서 개발한 데이터셋
 5) Junyi Academy : 대만이 e-learning 플랫폼에서 수집된 데이터셋 / 지식맵, 전제 조건, 두 연습 간의 유사성 같은 데이터  별도 제공
 6) Funtoot : 인도의 e-learning 플랫폼에서 제공하는 데이터셋 / 온톨로지와 지식맵 등을 제공 / Learing Gap을 모델링하여 특정 Learing Gap에 대한 능숙도를 예측
 
 

 부분적으로 관찰가능한 마르코프 결정과정 (Partially Observable Markov decision process)

 -마르코프 성질 : 미래는 오직 현재로만 정해진다
 -즉 현재에 대한 상태가 모두 주어진다면 미래(다음 상태로의 확률)을 정확하게 계산할 수 있다는뜻
 -현재로 인해서만 미래가 결정되는 시스템을 마르코프 결정과정(MDP)라고 한다.
 -마르코프 결정 과정은 미리 정의된 확률 분포를 따라, 상태와 상태를 이동하는 확률적 여정

 -그러나 실제 현실은 절대 완벽하게 모든 상태에 대해 관찰할(fully observable) 수 없으며 부분적으로만 관찰(partially observable)할 수 있을 뿐임
 -이렇게 정보가 제한되는 상황에서 관찰할 때마다 모이는 정보를 모아 다음 상태로의 확률을 계산하는 과정이 POMDP(부분적으로 관찰 가능한 마르코프 결정과정) 이다. 
 
 

학습과 관련된 교육학적 개념들

 1) 구성주의
-학습을 지식이 교사에서 학생으로 전달되는 과정으로 보는 것이 아닌, 학습자가 적극적으로 지식을 습득하는 과정으로 봄
-지식의 습득이란, 새로운 지식을 기존의 인지구조에 편입(조절, 동화)하는 도식화(스키마)의 과정임
-구성주의에서 교사의 역할은 학생의 수준(지식 상태의 능력)을 파악해, 새로 습득한 지식의 적용(완전히 인지 구조에 편입될 수 있게)에 도움을 주는 것 
 
 2) Bloom의 인지분류

 블룸은 인지 영역을 총 6단계로 분류하고 있음. 지식 / 이해 / 적용 / 분석 / 종합 / 평가 의 6단계를 거쳐 인지적 영역은 발달한다고 할 수 있음.