ترجمه فارسی مقاله ES-KT-24: مجموعه داده های معیار ردیابی دانش چندوجهی با ویدیوی پخش بازی آموزشی و تولید متن مصنوعی

چکیده

This paper introduces ES-KT-24, a novel multimodal Knowledge Tracing (KT) dataset for intelligent tutoring systems in educational game contexts. Although KT is crucial in adaptive learning, existing datasets often lack game-based and multimodal elements. ES-KT-24 addresses these limitations by incorporating educational game-playing videos, synthetically generated question text, and detailed game logs. The dataset covers Mathematics, English, Indonesian, and Malaysian subjects, emphasizing diversity and including non-English content. The synthetic text component, generated using a large language model, encompasses 28 distinct knowledge concepts and 182 questions, featuring 15,032 users and 7,782,928 interactions. Our benchmark experiments demonstrate the dataset’s utility for KT research by comparing Deep learning-based KT models with Language Model-based Knowledge Tracing (LKT) approaches. Notably, LKT models showed slightly higher performance than traditional DKT models, highlighting the potential of language model-based approaches in this field. Furthermore, ES-KT-24 has the potential to significantly advance research in multimodal KT models and learning analytics. By integrating game-playing videos and detailed game logs, this dataset offers a unique approach to dissecting student learning patterns through advanced data analysis and machine-learning techniques. It has the potential to unearth new insights into the learning process and inspire further exploration in the field.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ES-KT-24 ، مجموعه داده های جدید ردیابی دانش چند حالته (KT) برای سیستم های تدریس هوشمند در زمینه های بازی آموزشی معرفی شده است.اگرچه KT در یادگیری تطبیقی ​​بسیار مهم است ، اما مجموعه داده های موجود غالباً فاقد عناصر مبتنی بر بازی و چند حالته هستند.ES-KT-24 با ترکیب فیلم های بازی آموزشی بازی ، متن سؤالی که به صورت مصنوعی تولید می شود و گزارش های دقیق بازی ، به این محدودیت ها می پردازد.این مجموعه داده شامل ریاضیات ، انگلیسی ، اندونزیایی و مالزی است و بر تنوع و از جمله محتوای غیر انگلیسی تأکید می کند.مؤلفه متن مصنوعی ، با استفاده از یک مدل زبان بزرگ ، شامل 28 مفهوم دانش متمایز و 182 سؤال است که شامل 15،032 کاربر و 7،782.928 تعامل است.آزمایش های معیار ما با مقایسه مدل های KT مبتنی بر یادگیری عمیق با رویکردهای ردیابی دانش مبتنی بر زبان (LKT) ، کاربرد داده برای تحقیقات KT را نشان می دهد.نکته قابل توجه ، مدل های LKT عملکرد کمی بالاتر از مدل های سنتی DKT نشان دادند و پتانسیل رویکردهای مبتنی بر مدل زبان را در این زمینه برجسته می کنند.علاوه بر این ، ES-KT-24 این پتانسیل را دارد که به طور قابل توجهی تحقیقات را در مدل های KT چند حالته و یادگیری تجزیه و تحلیل پیش ببرد.این مجموعه داده با ادغام فیلم های بازی و بازی های دقیق بازی ، یک رویکرد منحصر به فرد برای جدا کردن الگوهای یادگیری دانش آموزان از طریق تجزیه و تحلیل داده های پیشرفته و تکنیک های یادگیری ماشین ارائه می دهد.این پتانسیل را دارد که بینش های جدیدی را در مورد روند یادگیری کشف کند و از اکتشافات بیشتر در این زمینه الهام بگیرد.