Pianificazione strategica e problema dello zaino multidimensionale

Sto cercando di trovare un approccio di pianificazione per risolvere un problema che tenti di modellare l'apprendimento di nuovo materiale. Partiamo dal presupposto che abbiamo solo una risorsa come Wikipedia, che contiene un elenco di articoli rappresentati come un vettore di conoscenza che contiene e uno sforzo per leggere quell'articolo.

Conoscenza vettoriale e sforzo

Prima di iniziare, impostiamo una dimensione per il vettore, a seconda del numero di diversi tipi di conoscenza. Ad esempio, possiamo definire gli elementi nel vettore da essere (algebra, geometry, dark ages)e quindi 'misurare' tutti gli articoli da questo punto di vista. Quindi, probabilmente sarà un articolo di matematica (5,7,0), dal momento che parlerà molto di algebra e geometria, ma non dei secoli bui. Avrà anche uno sforzo per leggerlo, che è semplicemente un numero intero.

Problema

Dati tutti gli articoli (rappresentati come vettori della conoscenza con uno sforzo), vogliamo trovare l'insieme ottimale di articoli che ci aiutano a raggiungere un obiettivo della conoscenza (rappresentato anche come un vettore).

Pertanto, un obiettivo di conoscenza può essere (4,4,0)ed è sufficiente leggere un articolo (2,1,0)e (2,3,0), poiché, quando aggiunto, si aggiunge all'obiettivo di conoscenza. Vogliamo farlo con il minimo sforzo .

Domanda

Ho provato alcune euristiche per trovare un'approssimazione, ma mi chiedevo se ci fosse un metodo di pianificazione strategica all'avanguardia che potesse essere usato invece?

research heuristics knapsack-problem

— user10482
fonte

Potrebbe aiutare a dividere il vettore della conoscenza per lo sforzo, in questo modo sai quanta conoscenza per sforzo ti dà un articolo.

— user6916458

Domanda molto ben strutturata e interessante. Benvenuto in AI!

— DukeZhou

L'aggiunta dei vettori in modo che sommino al vettore della conoscenza sia l'unico criterio? In tal caso, il problema sembra essere un caso multidimensionale del problema con la moneta en.wikipedia.org/wiki/Coin_problem msp.org/involve/2011/4-2/involve-v4-n2-p07-p. pdf

— Daniel,

Potresti chiarire che non vuoi una critica al modello di "apprendimento di nuovo materiale" (che l'IMO sembra un modo insolito per modellare l'acquisizione di conoscenza, mentre l'obiettivo di ottenere un punteggio arbitrario all'interno del modello è più ben definito)? Non credo che tu faccia da ciò che è scritto, ma ora questo è stato portato in cima, è possibile che qualcuno risponderà a questo, e non al problema dello zaino presentato

— Neil Slater,

Ecco un cast speculativo del problema a un problema del commesso viaggiatore , che porterebbe a algoritmi di percorso più breve.

Nota che questa idea suggerisce diversi vincoli da esplorare.

Dati i vettori e gli sforzi della conoscenza, costruisci un grafico aciclico diretto (aciclico, poiché non dovremmo disimparare). Un vertice è un articolo, rappresentato dal suo vettore di conoscenza. Un margine collega due articoli, ponderati dallo sforzo di "spostarsi" verso l'articolo / vertice di destinazione (ovvero acquisire la conoscenza di tale articolo).
Assegna un vettore zero a un nuovo partecipante. Questo è il punto di partenza sul grafico è il vertice V0 = (0, ..., 0).
Definire un obiettivo di apprendimento come vettore V.
Utilizzare un algoritmo a percorso più breve per trovare un piano (V0, V).

Questa procedura è insufficiente, poiché esistono molti modi per costruire il grafico (in altre parole, quanto sopra è completamente inutile così com'è ). Ulteriori vincoli sono necessari per renderlo pratico. Ad esempio, possiamo ordinare i vertici ordinandoli lungo ciascuna dimensione. Tale impostazione porterebbe gli studenti a iniziare con articoli "facili" (V [i] è basso) e spostarsi passo dopo passo verso argomenti più complessi ((V [i] diventa più alto).

La costruzione del grafico dipende dai dati disponibili. Ad esempio, i vettori della conoscenza sono "assoluti" o possono essere relativi? Il parente può aiutare a creare un percorso, poiché il passaggio da V a W richiede uno sforzo che dipende dalle condizioni iniziali dello studente (V0 potrebbe non essere 0 ovunque, dopotutto).

È una domanda di intelligenza artificiale? Decisamente.

— Eric Platon
fonte