論文の概要: HGKT: Introducing Hierarchical Exercise Graph for Knowledge Tracing

• arxiv url: http://arxiv.org/abs/2006.16915v6
• Date: Mon, 29 Aug 2022 14:59:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 20:50:16.447945
• Title: HGKT: Introducing Hierarchical Exercise Graph for Knowledge Tracing
• Title（参考訳）: HGKT:知識追跡のための階層的エクササイズグラフの導入
• Authors: Hanshuang Tong, Zhen Wang, Yun Zhou, Shiwei Tong, Wenyuan Han, Qi Liu
• Abstract要約: 本稿では,HGKTと呼ばれる階層的グラフ知識追跡モデルを提案する。 具体的には,学習依存度をモデル化可能な階層的なエクササイズグラフを構築するために,問題スキーマの概念を導入する。 テスト段階では、知識の熟達と問題スキーマの推移を辿ることのできるK&S診断行列を提示する。
• 参考スコア（独自算出の注目度）: 19.416373111152613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge tracing (KT) which aims at predicting learner's knowledge mastery plays an important role in the computer-aided educational system. In recent years, many deep learning models have been applied to tackle the KT task, which have shown promising results. However, limitations still exist. Most existing methods simplify the exercising records as knowledge sequences, which fail to explore rich information that existed in exercises. Besides, the existing diagnosis results of knowledge tracing are not convincing enough since they neglect prior relations between exercises. To solve the above problems, we propose a hierarchical graph knowledge tracing model called HGKT to explore the latent hierarchical relations between exercises. Specifically, we introduce the concept of problem schema to construct a hierarchical exercise graph that could model the exercise learning dependencies. Moreover, we employ two attention mechanisms to highlight the important historical states of learners. In the testing stage, we present a K&S diagnosis matrix that could trace the transition of mastery of knowledge and problem schema, which can be more easily applied to different applications. Extensive experiments show the effectiveness and interpretability of our proposed models.
• Abstract（参考訳）: 学習者の知識習得の予測を目的とした知識追跡(KT)は,コンピュータ支援教育システムにおいて重要な役割を果たす。 近年、KTタスクに取り組むために多くのディープラーニングモデルが適用されており、有望な結果を示している。 しかし、制限はある。 既存の手法のほとんどは、エクササイズに存在する豊富な情報を探索することができない知識シーケンスとしてレコードの運動を単純化する。 さらに、既存の知識追跡の診断結果は、運動間の事前の関係を無視しているため、十分な説得力を持っていない。 この問題を解決するために,HGKTと呼ばれる階層型グラフ知識追跡モデルを提案する。 具体的には,学習依存度をモデル化可能な階層的なエクササイズグラフを構築するために,問題スキーマの概念を導入する。 さらに,2つの注意機構を用いて,学習者の歴史的意義を浮き彫りにする。 テスト段階では、知識の習得と問題スキーマの遷移をトレースできるK&S診断行列を提示する。 実験により,提案モデルの有効性と解釈性を示した。

関連論文リスト

• Temporal Graph Memory Networks For Knowledge Tracing [0.40964539027092906]
  本稿では,深部時間グラフメモリネットワークを用いて,知識状態の関連性と時間的ダイナミクスを協調的にモデル化する手法を提案する。 また,グラフメモリモジュール上の時間減衰制約を用いて,学生の忘れ行動を表現する汎用手法を提案する。
  論文  参考訳（メタデータ） (2024-09-23T07:47:02Z)
• SINKT: A Structure-Aware Inductive Knowledge Tracing Model with Large Language Model [64.92472567841105]
  知識追跡(KT)は、学生が次の質問に正しく答えるかどうかを判断することを目的としている。 大規模言語モデルを用いた構造認識帰納的知識追跡モデル(SINKT) SINKTは、学生の知識状態と質問表現とを相互作用させることで、対象の質問に対する学生の反応を予測する。
  論文  参考訳（メタデータ） (2024-07-01T12:44:52Z)
• Leveraging Pedagogical Theories to Understand Student Learning Process with Graph-based Reasonable Knowledge Tracing [11.082908318943248]
  本稿では,これらの問題に対処するためのグラフベースの合理的知識追跡手法GRKTを紹介する。 本稿では,知識検索,記憶強化,知識学習・鍛造の3段階モデリングプロセスを提案する。
  論文  参考訳（メタデータ） (2024-06-07T10:14:30Z)
• Recognizing Unseen Objects via Multimodal Intensive Knowledge Graph Propagation [68.13453771001522]
  画像の領域と対応するセマンティック埋め込みとをマッチングする多モード集中型ZSLフレームワークを提案する。 我々は、大規模な実世界のデータに基づいて、広範囲な実験を行い、そのモデルを評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:07:48Z)
• GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
  Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。 我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
  論文  参考訳（メタデータ） (2023-04-06T03:02:54Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• DAGKT: Difficulty and Attempts Boosted Graph-based Knowledge Tracing [11.147659368393263]
  我々は,学生の記録から豊富な情報を用いて,グラフベースの知識追跡(DAGKT)の難しさと試みを提案する。 本稿では,F1スコアにインスパイアされた質問類似性関係を確立するために,新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-10-18T14:39:50Z)
• Deep Graph Memory Networks for Forgetting-Robust Knowledge Tracing [5.648636668261282]
  本稿では,新しい知識追跡モデル,すなわちemphDeep Graph Memory Network(DGMN)を提案する。 このモデルでは、忘れる動作を捉えるために、注意記憶構造に忘れるゲーティング機構を組み込む。 このモデルは動的潜在概念グラフから潜在概念間の関係を学習する能力を有する。
  論文  参考訳（メタデータ） (2021-08-18T12:04:10Z)
• Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
  グラフ組み込み数ショット学習に関する包括的な研究を紹介します。 本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。 提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
  論文  参考訳（メタデータ） (2021-02-14T05:28:13Z)
• GIKT: A Graph-based Interaction Model for Knowledge Tracing [36.07642261246016]
  上記の問題に対処するために,知識追跡のためのグラフベースインタラクションモデルを提案する。 より具体的には、GIKTはグラフ畳み込みネットワーク(GCN)を使用して、質問スキル相関を実質的に組み込んでいる。 3つのデータセットの実験では、GIKTが新しい最先端のパフォーマンスを実現し、少なくとも1%の絶対AUC改善を実現している。
  論文  参考訳（メタデータ） (2020-09-13T12:50:32Z)
• All About Knowledge Graphs for Actions [82.39684757372075]
  ゼロショットと少数ショットのアクション認識に使用できる知識グラフ(KG)の理解を深める。 KGsの3つの異なる構成機構について検討した。 異なる実験装置に対する異なるKGの影響を広範囲に解析する。
  論文  参考訳（メタデータ） (2020-08-28T01:44:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。