Onderzoekers hebben een model voor kunstmatige intelligentie (AI) ontworpen dat beter kan voorspellen hoeveel studenten leren in educatieve games. Het verbeterde model maakt gebruik van een AI-trainingsconcept genaamd multi-task learning, en kan worden gebruikt om zowel de instructie als de leerresultaten te verbeteren.

Multi-task learning is een benadering waarbij één model wordt gevraagd om meerdere taken uit te voeren.

"In ons geval, we wilden dat het model zou kunnen voorspellen of een student elke vraag op een test correct zou beantwoorden, gebaseerd op het gedrag van de student tijdens het spelen van een educatief spel genaamd Crystal Island, " zegt Jonathan Rowe, co-auteur van een paper over het werk en een onderzoekswetenschapper in het Center for Educational Informatics (CEI) van de North Carolina State University.

"De standaardaanpak voor het oplossen van dit probleem kijkt alleen naar de algehele testscore, de test als één taak zien, " zegt Rowe. "In de context van ons multi-task leerraamwerk, het model heeft 17 taken, omdat de test 17 vragen heeft."

De onderzoekers hadden gameplay- en testgegevens van 181 studenten. De AI kon kijken naar de gameplay van elke student en naar hoe elke student vraag 1 op de test beantwoordde. Door veelvoorkomend gedrag te identificeren van leerlingen die vraag 1 correct hebben beantwoord, en veelvoorkomend gedrag van studenten die vraag 1 fout hadden, de AI kon bepalen hoe een nieuwe student vraag 1 zou beantwoorden.

Deze functie wordt voor elke vraag tegelijkertijd uitgevoerd; de gameplay die wordt beoordeeld voor een bepaalde student is hetzelfde, maar de AI kijkt naar dat gedrag in de context van vraag 2, Vraag 3, enzovoort.

En deze multitaskingaanpak maakte het verschil. De onderzoekers ontdekten dat het multitaskmodel ongeveer 10 procent nauwkeuriger was dan andere modellen die afhankelijk waren van conventionele AI-trainingsmethoden.

"We stellen ons voor dat dit type model op een aantal manieren wordt gebruikt waar studenten van kunnen profiteren, " zegt Michael Geden, eerste auteur van het artikel en een postdoctoraal onderzoeker bij NC State. "Het kan worden gebruikt om docenten op de hoogte te stellen wanneer de gameplay van een student suggereert dat de student mogelijk extra instructie nodig heeft. Het kan ook worden gebruikt om adaptieve gameplay-functies in de game zelf te vergemakkelijken. Bijvoorbeeld, het veranderen van een verhaallijn om de concepten waarmee een student worstelt opnieuw te bekijken.

"De psychologie erkent al lang dat verschillende vragen verschillende waarden hebben, "Geden zegt. "Ons werk hier heeft een interdisciplinaire benadering die dit aspect van psychologie combineert met deep learning en machine learning-benaderingen van AI."

"Dit opent ook de deur naar het opnemen van complexere modelleringstechnieken in educatieve software, met name educatieve software die zich aanpast aan de behoeften van de student, " zegt Andrew Emerson, co-auteur van het papier en een Ph.D. student aan NC State.

De krant, "Voorspellende studentmodellering in educatieve games met multi-task learning, " zal worden gepresenteerd op de 34e AAAI-conferentie over kunstmatige intelligentie, wordt gehouden van 7-12 februari in New York, N.Y. Het artikel is mede-auteur van James Lester, Distinguished University Professor of Computer Science en directeur van CEI bij NC State; en door Roger Azevedo van de University of Central Florida.