인공지능 기반 지능형 학습 시스템의 편향성 문제 해결: DisKT 모델의 등장

본 기사는 인공지능 기반 지능형 학습 시스템에서의 지식 추적(KT) 모델의 편향성 문제를 해결하기 위해 개발된 DisKT 모델에 대한 최신 연구 결과를 소개합니다. DisKT 모델은 학생의 익숙한 능력과 익숙하지 않은 능력을 분리하여 모델링하고, 모순 주의 메커니즘 및 항목 반응 이론을 활용하여 인지적 편향을 완화하고 예측 정확도를 향상시킵니다. 다수의 실험 결과를 통해 기존 모델보다 우수한 성능을 입증했습니다.

지능형 학습 시스템의 딜레마: 편향된 지식 추적

인공지능 기반 지능형 학습 시스템(ITS)에서 학생의 지식 수준을 정확하게 평가하는 것은 매우 중요합니다. 기존의 지식 추적(Knowledge Tracing, KT) 모델은 학생들의 학습 데이터에 존재하는 편향성 때문에 어려움을 겪고 있습니다. 특히, 문제 유형(예: 개념)의 불균형적인 분포는 성적이 우수한 학생에게는 학습 부족을, 성적이 저조한 학생에게는 과도한 학습 부담을 초래하는 인지적 편향을 야기합니다. 더욱 심각한 것은, 이러한 편향이 ITS의 연습 문제 추천 과정에서 증폭된다는 점입니다.

원인 분석과 혁신적인 해결책: DisKT 모델

Zhou Yiyun 등 연구진은 KT 모델의 인과 관계를 면밀히 분석하여, 학생들의 과거 정답률 분포가 학생 표현과 예측 점수에 영향을 미치는 교란 변수 효과가 주요 원인임을 밝혀냈습니다. 이에 연구진은 분리된 지식 추적(Disentangled Knowledge Tracing, DisKT) 모델을 제안했습니다. DisKT는 인과 관계를 기반으로 학생의 익숙한 능력과 익숙하지 않은 능력을 분리하여 모델링함으로써, 학생 표현 내에서 교란 변수의 영향을 제거합니다. 또한, 학생 데이터에 존재하는 모순된 심리(예: 추측, 실수)를 해결하기 위해 모순 주의 메커니즘을 도입했습니다. 더 나아가, 항목 반응 이론(IRT)의 변형을 통합하여 모델 예측의 해석력을 향상시켰습니다.

놀라운 성과: 실험 결과와 미래 전망

11개의 벤치마크 데이터셋과 3개의 다양한 편향 정도를 가진 합성 데이터셋을 이용한 실험 결과, DisKT는 인지적 편향을 상당히 완화하고, 16개의 기존 모델을 능가하는 정확도를 달성했습니다. 이 연구는 지능형 학습 시스템의 정확성과 공정성을 향상시키는 데 중요한 발전을 가져왔으며, 앞으로 개인 맞춤형 학습의 질적 향상에 크게 기여할 것으로 기대됩니다. DisKT 모델은 단순한 기술적 발전을 넘어, 교육 분야의 형평성과 효율성을 증진시키는 혁신적인 도구로 자리매김할 가능성을 보여주고 있습니다.