Conceptual Issues in Mastery Criteria: Differentiating Uncertainty and Degrees of Knowledge
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14330%2F18%3A00104015" target="_blank" >RIV/00216224:14330/18:00104015 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-3-319-93843-1_33" target="_blank" >http://dx.doi.org/10.1007/978-3-319-93843-1_33</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-93843-1_33" target="_blank" >10.1007/978-3-319-93843-1_33</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Conceptual Issues in Mastery Criteria: Differentiating Uncertainty and Degrees of Knowledge
Popis výsledku v původním jazyce
Mastery learning is a common personalization strategy in adaptive educational systems. A mastery criterion decides whether a learner should continue practice of a current topic or move to a more advanced topic. This decision is typically done based on comparison with a mastery threshold. We argue that the commonly used mastery criteria combine two different aspects of knowledge estimate in the comparison to this threshold: the degree of achieved knowledge and the uncertainty of the estimate. We propose a novel learner model that provides conceptually clear treatment of these two aspects. The model is a generalization of the commonly used Bayesian knowledge tracing and logistic models and thus also provides insight into the relationship of these two types of learner models. We compare the proposed mastery criterion to commonly used criteria and discuss consequences for practical development of educational systems.
Název v anglickém jazyce
Conceptual Issues in Mastery Criteria: Differentiating Uncertainty and Degrees of Knowledge
Popis výsledku anglicky
Mastery learning is a common personalization strategy in adaptive educational systems. A mastery criterion decides whether a learner should continue practice of a current topic or move to a more advanced topic. This decision is typically done based on comparison with a mastery threshold. We argue that the commonly used mastery criteria combine two different aspects of knowledge estimate in the comparison to this threshold: the degree of achieved knowledge and the uncertainty of the estimate. We propose a novel learner model that provides conceptually clear treatment of these two aspects. The model is a generalization of the commonly used Bayesian knowledge tracing and logistic models and thus also provides insight into the relationship of these two types of learner models. We compare the proposed mastery criterion to commonly used criteria and discuss consequences for practical development of educational systems.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10200 - Computer and information sciences
Návaznosti výsledku
Projekt
—
Návaznosti
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2018
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Artificial Intelligence in Education
ISBN
9783319938424
ISSN
0302-9743
e-ISSN
—
Počet stran výsledku
12
Strana od-do
450-461
Název nakladatele
Springer
Místo vydání
New York
Místo konání akce
London, United Kingdom
Datum konání akce
1. 1. 2018
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—