Amélioration de l'interprétabilité du diagnostic cognitif de l'apprenant par catégorisation des composantes de connaissance
Résumé
Cognitive diagnosis is used to model the learner knowledge from the learners’ traces on an ITS for adapted feedback or prediction of learner future state. By studying the performance of algorithms of knowl- edge tracing and factor analysis models on datasets restricted to either declarative or procedural knowledge components (KC), we show that factor analysis models outperform on declarative KCs while knowledge tracing ones outperform on procedural KCs, even if it is complicated to compare them. These results suggest the interest of categorizing the KCs by nature in cognitive diagnosis algorithms and that this categorization allows the enhancement of learner model interpretability.
Le diagnostic cognitif permet de modéliser les connaissances d'un apprenantà partir de ses interactions avec un EIAH pour la recommandation adaptative de ressources ou la prédiction de l'état futur de l'apprenant. Enétudiant les performances des algorithmes des modèles knowledge tracing et factor analysis sur des jeux de données restreints aux composantes de connaissance (CC) déclaratives ou procédurales, nous montrons que les modèles factor analysis sont plus performants sur des CC déclaratives, alors que les modèles knowledge tracing réagissent mieux sur les CC procédurales, même s'il est compliqué de comparer les deux modèles l'unà l'autre. Ces résultats suggèrent l'intérêt d'une catégorisation des CC par leur nature dans le choix des algorithmes de diagnostic cognitif, et que cette catégorisation permet l'amélioration de l'interprétabilité du modèle de l'apprenant.
| Origine | Fichiers éditeurs autorisés sur une archive ouverte |
|---|