Key points are not available for this paper at this time.
L'estimation précise de la difficulté des questions et la prédiction des performances des étudiants jouent un rôle clé dans l'optimisation de l'enseignement éducatif et l'amélioration des résultats d'apprentissage au sein des plateformes d'apprentissage numérique. Le système de notation Elo est largement reconnu pour sa compétence à prédire les performances des étudiants en estimant à la fois la difficulté des questions et la capacité des étudiants tout en offrant une efficacité computationnelle et une adaptabilité en temps réel. Cet article présente une adaptation d'une variante à concepts multiples du système de notation Elo aux données collectées par une plateforme de formation médicale—une plateforme caractérisée par un vaste corpus de connaissances, un chevauchement inter-concept important, une énorme banque de questions avec une très faible interaction utilisateur-question, et une population d'utilisateurs très diversifiée, présentant des défis uniques. Notre étude est guidée par deux objectifs principaux : premièrement, évaluer en profondeur les capacités du système de notation Elo sur ces données réelles, et deuxièmement, s'attaquer au problème des estimations imprécises en début de phase lors de l'implémentation du système de notation Elo pour les évaluations en ligne. Nos résultats suggèrent que le système de notation Elo présente une précision comparable à celle du modèle de régression logistique bien établi dans la prédiction des résultats de l'examen final pour les utilisateurs au sein de notre plateforme numérique. De plus, les résultats soulignent que l'initialisation des estimations de notation Elo avec des données historiques réduit considérablement les erreurs et améliore la précision des prédictions, en particulier pendant les phases initiales des interactions des étudiants.
Kandemir et al. (Mar) ont étudié cette question.