arXiv cs.AI· Tom Quilter (University of Manchester), Anastasia Ilick (Google DeepMind), Karen Poon (MathWorks), Richard Turner (University of Cambridge)·· 10 小时前AI 评分31
基于离散变分推断的教育预测模型实现数学考试成绩预测准确率超80%
Accurate Predictions in Education with Discrete Variational Inference
AI 导读
研究团队发布迄今最大的专业阅卷形式数学考试作答开放数据集，并提出基于Item Response Theory（IRT）的概率建模框架，预测学生答题正确率超过80%，创下形式化数学试卷预测准确率新基准。其协作过滤模型引入主题级技能画像后发现，仅需单一潜在能力参数即可达到最高预测精度。核心贡献是推导并实现新型离散变分推断框架，在低数据场景下取得最高预测准确率，优于所有经典IRT与矩阵分解基线。
正文 · AI 翻译
摘要：社会不平等最大的驱动因素之一是个人辅导机会的不平等，较富裕的人能够负担得起，而大多数人则不能。负担得起且有效的 AI 辅导老师提供了一种可扩展的解决方案。我们专注于自适应学习，即预测学生是否会正确回答一个问题，这是任何有效辅导系统的关键组成部分。然而，许多平台难以实现高预测准确率，尤其是在数据稀疏的环境中。为解决这一问题，我们发布了迄今为止最大的、由专业人员评分的正式数学考试作答开放数据集。我们引入了一个基于项目反应理论（IRT）的概率建模框架，其准确率超过 80%，为正式考试试卷的数学预测准确率设定了新的基准。在此基础上，我们的协同过滤模型纳入了主题层面的技能画像，但揭示了一个令人惊讶且具有教育意义的发现：仅需一个潜在能力参数即可达到最高预测准确率。不过，我们的主要贡献是推导并实现了一种新颖的离散变分推断框架，在低数据环境下实现了我们最高的预测准确率，并优于所有经典的 IRT 和矩阵分解基线。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2509.23484 [cs.AI] |
| （或 arXiv:2509.23484v3 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2509.23484 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Tom Quilter 博士 [查看邮箱]
[v1]
2025年9月27日星期六 20:13:02 UTC（392 KB）
[v2]
2025年9月30日星期二 09:43:08 UTC（392 KB）
[v3]
2026年11月10日星期二 11:38:25 UTC（395 KB）
来源：arXiv cs.AI · arxiv.org