MAML-KT löst Kaltstartproblem bei Lernfortschrittsvorhersage

In der Lernfortschrittsvorhersage (Knowledge Tracing, KT) werden Modelle üblicherweise mit den ersten Interaktionen aller Lernenden trainiert und anschließend auf späteren Antworten getestet. Dieses Verfahren misst zwar die durchschnittliche Genauigkeit, vernachlässigt jedoch die reale Einsatzsituation, in der ein Modell den Wissensstand eines völlig neuen Schülers anhand nur weniger erster Antworten einschätzen muss. In solchen Kaltstart-Szenarien schneiden klassische Modelle wie DKT, DKVMN und SAKT deutlich schlechter ab.

Um dieses Problem anzugehen, stellt das neue Verfahren MAML‑KT vor. Dabei wird ein modellagnostisches Meta‑Learning eingesetzt, das eine Startparameter‑Initialisierung lernt, die sich mit nur ein oder zwei Gradientenupdates schnell an einen neuen Lernenden anpasst. Durch diese schnelle Anpassungsfähigkeit kann MAML‑KT die frühen Vorhersagen für unbekannte Schüler erheblich verbessern.

Die Wirksamkeit von MAML‑KT wurde an den Datensätzen ASSIST2009, ASSIST2015 und ASSIST2017 getestet. Dabei wurde ein kontrolliertes Kaltstart-Protokoll verwendet: Modelle wurden auf einer Teilmenge von Lernenden trainiert und anschließend auf einer separaten Gruppe von Schülern getestet, wobei die ersten 3–10 bzw. 11–15 Fragen als Testfenster dienten. Für Kohorten von 10 bis 50 Lernenden zeigte MAML‑KT in nahezu allen Bedingungen eine höhere Anfangsgenauigkeit als die bisherigen KT‑Modelle, und die Vorteile wuchsen mit zunehmender Kohorten­größe weiter.

Ein interessanter Befund kam bei ASSIST2017: In einem kurzen Zeitraum fiel die Anfangsgenauigkeit leicht, was mit dem Auftreten von zuvor unbekannten Fertigkeiten bei vielen Lernenden zusammenfiel. Die Analyse legt nahe, dass diese Rückgänge eher auf die Neuheit der Fertigkeiten als auf Instabilität des Modells zurückzuführen sind – ein Ergebnis, das mit früheren Studien zur Fertigkeitsanalyse übereinstimmt.