<  Retour au portail Polytechnique Montréal

Un algorithme d'échantillonnage permettant d'améliorer la performance prédictive d'un modèle bayésien dans le cadre d'applications de tests adaptatifs

Alejandro Villarreal Morales

Mémoire de maîtrise (2009)

Document en libre accès dans PolyPublie
[img]
Affichage préliminaire
Libre accès au plein texte de ce document
Conditions d'utilisation: Tous droits réservés
Télécharger (1MB)
Afficher le résumé
Cacher le résumé

Résumé

Les systèmes CAT (abréviation anglaise de: Computing Adaptive Testing) sont utilisés depuis plusieurs décennies pour déterminer le niveau de connaissances des utilisateurs par le biais d'un questionnaire où l'on essaie de minimiser le nombre de questions posées. Plusieurs applications comme les systèmes de guidage et les tutoriels les utilisent afin de créer des profils utilisateurs. Les systèmes CAT effectuent leur diagnostic sur la base d'un modèle de connaissances. Bien que certains modèles sont dérivés du travail d'un expert, comme les modèles à base de règles ou les modèles Bayésiens graphiques, où la structure et les probabilités conditionnelles sont définies par un expert du domaine, les modèles les plus prometteurs sont basés sur une approche statistique où les paramètres du modèle sont induits à partir de données. (Desmarais et Gagnon, 2006; Millan et Perez-de-la-cruz, 2002; Vomlel, 2004)

Abstract

Bayesian graphical models are commonly used to build student models from data. A number of standard algorithms are available to train Bayesian models from student skills assessment data. These models can assess student knowledge and skills from a few observations. They are useful for Computer Adaptive Testing (CAT), for example, where the test items can be administered in order to maximize the information they will provide. In practice, such data often contain missing values and, under some circumstances, missing values far outnumber observed values. However, when collecting data from test results, one can often choose which values will be present or missing by a consequent test design. We study how to optimize the choice of test items for collecting the data that will be used for training a Bayesian CAT model, such as to maximize the predictive performance of the model. We explore the use of a simple heuristic for test item choice based on the level of uncertainty. The uncertainty of an item is derived from its initial probability of success and, thus, from its difficulty. The results show that this choice does affect model performance and that the heuristic can lead to better performance. Although the study's results are more exploratory than conclusive, they suggest interesting research avenues

Département: Département de génie informatique et génie logiciel
Programme: Génie informatique
Directeurs ou directrices: Michel C. Desmarais et Michel Gagnon
URL de PolyPublie: https://publications.polymtl.ca/118/
Université/École: École Polytechnique de Montréal
Date du dépôt: 25 juin 2009 13:59
Dernière modification: 08 juin 2023 15:21
Citer en APA 7: Villarreal Morales, A. (2009). Un algorithme d'échantillonnage permettant d'améliorer la performance prédictive d'un modèle bayésien dans le cadre d'applications de tests adaptatifs [Mémoire de maîtrise, École Polytechnique de Montréal]. PolyPublie. https://publications.polymtl.ca/118/

Statistiques

Total des téléchargements à partir de PolyPublie

Téléchargements par année

Provenance des téléchargements

Actions réservées au personnel

Afficher document Afficher document