Z radością prezentujemy nowy artykuł naukowy Modeling Spaced Repetition with LSTMs (Modelowanie metody inteligentnych powtórek za pomocą sieci LSTM), który powstał przy współpracy zespołu SuperMemo oraz naukowców z Wydziału Matematyki i Informatyki Uniwersytetu Adama Mickiewicza w Poznaniu. Podsumowuje on wyniki badań nad potencjałem sieci neuronowych LSTM (ang. Long Short-Term Memory) do planowania inteligentnych powtórek (ang. spaced repetition).
SuperMemo jest pionierem badań nad optymalizacją powtórek i wydawcą pierwszej na świecie aplikacji komputerowej stosującej tę metodę. Ma ona za sobą już ponad 30 lat historii i rozwoju. Jesteśmy dumni, że nie tylko zapoczątkowaliśmy trend, który dziś stosują wszystkie czołowe programy edukacyjne, ale możemy położyć również kolejny kamień milowy w rozwoju tej metody. Polega on na wykorzystaniu metod uczenia maszynowego w celu zwiększenia możliwości SuperMemo i zapewnienia jeszcze bardziej efektywnej nauki w przyszłości.
O badaniu – sztuczna inteligencja w SuperMemo
W omawianych badaniach dokonaliśmy przeglądu wcześniejszych prac nad tą tematyką, testując i porównując różne metody. Wykorzystując naszą wypracowaną przez lata wiedzę ekspercką w dziedzinie dynamiki pamięci długotrwałej oraz dane o nauce w serwisie i aplikacjach www.SuperMemo.com, zoptymalizowaliśmy proces uczenia się modelu LSTM. Dzięki temu jest on w stanie przewidywać prawdopodobieństwo pamiętania informacji z lepszą skutecznością niż inne metody ML (ang. machine learning). W pewnym sensie algorytm SuperMemo oparty na uczeniu maszynowym jest więc podobny do naszego algorytmu eksperckiego, ale wykorzystuje inne metody optymalizacji matematycznej w dochodzeniu do tego samego celu.
Nasz model LSTM ma na celu przewidywanie prawdopodobieństwa pamiętania poszczególnych informacji przez użytkownika i planowanie optymalnych interwałów powtórek, minimalizując czas poświęcony na powtórki przy zachowaniu wysokiego poziomu prawdopodobieństwa pamiętania. Porównaliśmy zbudowany w ten sposób model LSTM z innymi podejściami uczenia maszynowego, takimi jak regresja logistyczna, jednokierunkowe sieci neuronowe czy regresja połowicznego czasu życia, i stwierdziliśmy, że model LSTM osiągał lepsze wyniki od innych.
Dzięki wynikom tych badań będziemy mogli skutecznie budować alternatywę do metod eksperckich. Algorytm SuperMemo oparty na uczeniu maszynowym ma potencjał na dalszy rozwój, w tym na włączenie wielu nowych parametrów. W przyszłości możemy brać pod uwagę czynniki takie jak pora dnia, cykl snu, poziom zmęczenia, aktywność fizyczna, zależności treści czy korelacje językowe, a następnie badać ich wpływ na efekty uczenia się i doskonaląc nasze metody.
Artykuł zostanie zaprezentowany na konferencji CSEDU (the International Conference on Computer Supported Education) w Pradze 21 kwietnia 2023 r., gdzie pojawimy się w mocnym składzie. Do zobaczenia!
Zespół SuperMemo