深層知識トレーシングにおける因果関係の抽出

この記事では、深層知識トレーシング（DKT）における因果関係のモデル化について論じています。これまで、DKTは学生の知識とパフォーマンスを予測するためにリカレントニューラルネットワーク（RNN）を利用しており、従来の知識トレーシング方法よりも優れた性能を示すとされています。その理由として、異なる知識要素間の双方向関係をモデル化する能力が挙げられていますが、本論文ではその解釈を挑戦し、DKTの強みが前提条件の因果構造をモデル化する能力にあることを示しています。具体的には、演習間の関係グラフを有向非巡回グラフ（DAG）に剪定し、因果関係に基づいたサブセット上でDKTを訓練することで、予測能力が因果構造と強く一致することを実証しました。さらに、DKTの学習した表現を用いて演習関係のDAGを抽出する代替方法も提案し、これを支持する実証的証拠を提供しています。