Better Model, Worse Predictions: The Dangers in Student Model Comparisons

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14330%2F21%3A00121881" target="_blank" >RIV/00216224:14330/21:00121881 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-030-78292-4_40" target="_blank" >http://dx.doi.org/10.1007/978-3-030-78292-4_40</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-030-78292-4_40" target="_blank" >10.1007/978-3-030-78292-4_40</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Better Model, Worse Predictions: The Dangers in Student Model Comparisons

Popis výsledku v původním jazyce

The additive factor model is a widely used tool for analyzing educational data, yet it is often used as an off-the-shelf solution without considering implementation details. A common practice is to compare multiple additive factor models, choose the one with the best predictive accuracy, and interpret the parameters of the model as evidence of student learning. In this work, we use simulated data to show that in certain situations, this approach can lead to misleading results. Specifically, we show how student skill distribution affects estimates of other model parameters.

Název v anglickém jazyce

Better Model, Worse Predictions: The Dangers in Student Model Comparisons

Popis výsledku anglicky

The additive factor model is a widely used tool for analyzing educational data, yet it is often used as an off-the-shelf solution without considering implementation details. A common practice is to compare multiple additive factor models, choose the one with the best predictive accuracy, and interpret the parameters of the model as evidence of student learning. In this work, we use simulated data to show that in certain situations, this approach can lead to misleading results. Specifically, we show how student skill distribution affects estimates of other model parameters.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2021

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

International Conference on Artificial Intelligence in Education

ISBN

9783030782917

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

12

Strana od-do

500-511

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Cham

Datum konání akce

1. 1. 2021

Typ akce podle státní příslušnosti

CST - Celostátní akce

Kód UT WoS článku

000885021300040