Lecture 09: Learner Modelling & Recommender Systems Flashcards
What is Learner Modelling?
Der Prozess des Sammelns relevanter Informationen, um den aktuellen kognitiven Zustand des Lernenden zu ermitteln und ihn so darzustellen, dass er für das Lernsystem zugänglich und nützlich ist, um Anpassungen vorzunehmen d.h Genaue Diagnose und Vorhersage der Bedürfnisse des Lernenden
- Schlüsselaspekt für die Entwicklung adaptiver Bildungssysteme
- Übergeordnetes Ziel: Daten für Adaptivität nutzen
What are relevant learner characteristics?
- Bereichsabhängige Merkmale (z.B. Vorwissen in Chemie über die Periodentabelle, praktische Erfahrung im Labor
für einen Biologiekurs, Programmierkenntnisse
für einen Informatikkurs) und Bereichsunabhängige Merkmale (z.B. Lernstil z.B Buch statt Vorlesung, Problemlösungsfähigkeiten) - Statische (e.g Name, Gender, Age) und Dynamische Merkmale (Wissen und Fähigkeiten, Fehler und Missverständnisse, Präferenzen, Kognitive und Meta-kognitive Aspekte)
What are different methods for modelling learners?
Overlay-Modell: Das Wissen des Lernenden wird als Untergruppe des Expertenwissens betrachtet. Einfach und direkt, aber ignoriert falsches Wissen und ist oft zu einfach.
Perturbation:
Erweiterung des Overlay-Modells und schließt falsches Wissen ein z.B eine Bug Bibliothek des Lernenden, womit man dann eine Empirische Analyse von Fehlern machen kann und weitere Fehlvorstellungen generieren kann anhand eines kognitiven Modells, das auf dem Verhalten des Lernenden und gefundenen Mustern basiert.
Stereotype: Lernende werden basierend auf gemeinsamen Merkmalen in Kategorien (“Stereotype”) eingeteilt und entsprechend behandelt.
Vorteil ist keine Coldstart Probleme, aber unflexibel, muss manuell gepflegt und aktualisiert werden und erfordert, dass die Benutzer tatsächlich in Stereotypen klassifiziert werden können.
Kognitive Theorien: Fokussiert auf mentale Prozesse wie Aufmerksamkeit und Gedächtnis, um Lernstrukturen und -strategien zu modellieren. z.B. Human Plausible Reasoning Theory für Inferenzmuster-Erkennung, Multiple Attribute Decision Making zur Unterstützung der Entscheidungsfindung, OCC-Theorie für Emotionsmodellierung.
Fuzzy-Logic: Modelliert Unsicherheiten und Unschärfen in den Lernprozessdaten und erlaubt flexible Modelle mit partiellen Wahrheiten z.B 1 und 0.
Bayessche Netzwerke: Modellierung eines gerichteten azyklischen Graphen, um das Lernen und Wissen eines Schülers in einem bestimmten Bereich oder Fach zu verstehen und vorherzusagen. (Typen: Expertenzentrierte, Effizienzzentrierte, Datenzentrierte Modelle)
What are recommender systems?
Personalisierte Empfehlungen von Lernressourcen, Lernpfaden und Prüfungsmaterialien, basierend auf den individuellen Bedürfnissen und Fähigkeiten, Bewertungen, Leistungsdaten, Vorwissen und Prüfungsziele der Lernenden.
Name different types of recommender systems and advantages/disadvantages.
Inhaltsbasierte Filterung: Empfiehlt Items basierend auf Ähnlichkeiten (Beschreibung, Merkmal oder Attribute des Inhalts z.B. Genre, Schauspieler bei Filmen) mit vorherigen Nutzer-Interaktionen.
Wissensbasierte Filterung (“expert system”): Hier wird explizites Wissen über Nutzer und Items verwendet, um Empfehlungen abzugeben. Der Nutzer kann aber auch mit Präferenzen die Empfehlungen beeinflussen.
Kollaborative Filterung:
- a) User Based: Vergleicht Vorlieben (d.h Empfehlungen, Bewertungen) des Nutzers mit denen anderer ähnlicher Nutzer.
- b) Item Based: Vergleicht Items, die der Nutzer mochte, mit anderen ähnlichen Items.
Generic Issues: Neuer Benutzer, Neuer Gegenstand, Neue Gemeinschaft/System, Qualität der Bewertungen im Laufe der Zeit
Inhaltsbasierte Filterung:
- Konzept: Bei dieser Methode werden Ähnlichkeiten zwischen Items auf der Grundlage von Beschreibungen, Merkmalen oder Attributen des Inhalts (z.B. Genre, Schauspieler bei Filmen) berechnet. Sie schlägt Artikel vor, die dem Nutzer bereits gefallen haben.
- Vorteil:
- Direkt: Die Empfehlungen basieren auf klaren, vom Nutzer zuvor bevorzugten Merkmalen.
- Verständlich: Die Gründe für Empfehlungen sind leicht nachvollziehbar (z.B. “Sie mochten diesen Film, also könnten Sie auch diesen mögen”).
- Nachteil:
- Kann zu übermäßiger Spezialisierung führen: Der Nutzer erhält immer ähnlichere Empfehlungen, was die Entdeckung neuer, unterschiedlicher Inhalte erschweren kann.
Wissensbasierte Filterung (auch “Expertensystem” genannt):
- Konzept: Hier wird explizites Wissen über Nutzer und Items verwendet, um Empfehlungen abzugeben. Der Nutzer kann z.B. direkt nach Empfehlungen in einer bestimmten Kategorie fragen.
- Vorteil:
- Nützlich bei wenig vorherigen Nutzer-Interaktionen: Diese Methode eignet sich, wenn es wenige Daten über die Vorlieben des Nutzers gibt.
- Nachteil:
- Herausfordernd, wenn Expertenwissen fehlt: Es kann schwierig sein, die benötigten Daten und das notwendige Fachwissen zu beschaffen, um diese Art von System zu implementieren.
Kollaborative Filterung:
- Konzept: Basierend auf den Bewertungen und Vorlieben anderer Nutzer werden Empfehlungen abgegeben.
- a) User Based:
- Hier werden Nutzer mit ähnlichen Bewertungen gefunden und Empfehlungen auf der Grundlage der Vorlieben dieser ähnlichen Nutzer gemacht.
- Vorteil:
- Vielfältige Empfehlungen: Da Empfehlungen auf den Vorlieben verschiedener ähnlicher Nutzer basieren, können die Empfehlungen vielfältiger sein.
- Nachteil:
- “Cold Start”-Problem: Bei neuen Nutzern, über die das System noch keine Daten hat, kann es schwierig sein, Empfehlungen abzugeben.
- b) Item Based:
- Hier werden Artikel mit ähnlichen Bewertungsmustern gefunden und auf dieser Basis Empfehlungen gemacht.
- Vorteil:
- Effizienter: In der Regel schneller und skalierbarer als die nutzerbasierte Methode.
- Weniger “Cold Start”-Problem: Auch wenn ein Nutzer neu ist, können Empfehlungen basierend auf den Artikeln, die er bisher bewertet hat, abgegeben werden.
- Nachteil:
- Benötigt dicht besiedelte Bewertungsmatrix: Für effektive Empfehlungen ist eine umfangreiche Sammlung von Artikelbewertungen erforderlich.
How can we evaluate recommender systems?
- Genauigkeit der vorhergesagten Empfehlungen
- Neuartigkeit und Vielfalt
- Nutzerzufriedenheit/Vertrauen/Nützlichkeit
- Auswirkungen auf das Lernen und die Leistung
