प्रतिनिधियों के माध्यम से ऑफ़लाइन नीति मूल्यांकन, शैक्षिक खेलों पर अनुप्रयोगों के साथ

एक स्वायत्त शिक्षक एजेंट पर विचार करें जो सामग्री को अनुकूलित क्रमबद्ध करने की कोशिश कर रहा है ताकि एक छात्र को सबसे अच्छा संलग्न रखा जा सके, या एक चिकित्सा एजेंट जो रोगी के परिणामों को अधिकतम करने के लिए उपचार सुझाने में मदद करने की कोशिश कर रहा है। इन जटिल सुदृढ़ीकरण सीखने की समस्याओं को हल करने के लिए, हमें पहले एक नीति प्रतिनिधित्व पर निर्णय लेना चाहिए। लेकिन सबसे अच्छे प्रतिनिधित्व का निर्धारण चुनौतीपूर्ण हो सकता है, क्योंकि वातावरण में कई कम-समझे गए प्रक्रियाएं शामिल हैं (जैसे छात्र संलग्नता) और इसलिए इसे सही ढंग से अनुकरण करना कठिन है। ये क्षेत्र भी उच्च दांव वाले हैं, जिससे उम्मीदवार प्रतिनिधियों का मूल्यांकन ऑनलाइन चलाकर करना अकल्पनीय है। इसके बजाय, एक को भविष्य के उपयोग के लिए नई नीतियों को सीखने और मूल्यांकन करने के लिए मौजूदा डेटा का लाभ उठाना चाहिए। इस पत्र में, हम ऑफ़लाइन नीतियों की तुलना और मान्य करने के लिए एक डेटा-संचालित पद्धति प्रस्तुत करते हैं। हमारी विधि पक्षपात रहित, प्रतिनिधित्व के प्रति अदृश्य है, और प्रत्येक नीति की नई डेटा पर सामान्यीकरण करने की क्षमता पर केंद्रित है। हम इस पद्धति का उपयोग एक आंशिक-देखने योग्य, उच्च-आयामी अवधारणा अनुक्रमण समस्या पर एक शैक्षिक खेल में करते हैं। हमारे मूल्यांकन पद्धति द्वारा मार्गदर्शित, हम एक नवीन फीचर संकुचन विधि का प्रस्ताव करते हैं जो इस समस्या पर नीति प्रदर्शन में महत्वपूर्ण सुधार करता है। हम सर्वश्रेष्ठ प्रदर्शन करने वाली नीतियों को 2,000 असली छात्रों पर लागू करते हैं और दिखाते हैं कि सीखी गई अनुकूलन नीति यादृच्छिक और विशेषज्ञ आधार रेखाओं की तुलना में सांख्यिकीय रूप से महत्वपूर्ण सुधार करती है, हमारी उपलब्धि-आधारित पुरस्कार माप को 32% तक सुधारती है।