論文の概要: GIKT: A Graph-based Interaction Model for Knowledge Tracing

• arxiv url: http://arxiv.org/abs/2009.05991v1
• Date: Sun, 13 Sep 2020 12:50:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 03:09:59.157268
• Title: GIKT: A Graph-based Interaction Model for Knowledge Tracing
• Title（参考訳）: GIKT: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
• Authors: Yang Yang, Jian Shen, Yanru Qu, Yunfei Liu, Kerong Wang, Yaoming Zhu, Weinan Zhang and Yong Yu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 36.07642261246016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid development in online education, knowledge tracing (KT) has become a fundamental problem which traces students' knowledge status and predicts their performance on new questions. Questions are often numerous in online education systems, and are always associated with much fewer skills. However, the previous literature fails to involve question information together with high-order question-skill correlations, which is mostly limited by data sparsity and multi-skill problems. From the model perspective, previous models can hardly capture the long-term dependency of student exercise history, and cannot model the interactions between student-questions, and student-skills in a consistent way. In this paper, we propose a Graph-based Interaction model for Knowledge Tracing (GIKT) to tackle the above probems. More specifically, GIKT utilizes graph convolutional network (GCN) to substantially incorporate question-skill correlations via embedding propagation. Besides, considering that relevant questions are usually scattered throughout the exercise history, and that question and skill are just different instantiations of knowledge, GIKT generalizes the degree of students' master of the question to the interactions between the student's current state, the student's history related exercises, the target question, and related skills. Experiments on three datasets demonstrate that GIKT achieves the new state-of-the-art performance, with at least 1% absolute AUC improvement.
• Abstract（参考訳）: オンライン教育の急速な発展に伴い、知識追跡(KT)は、学生の知識状態を辿り、新しい質問に対してその性能を予測する根本的な問題となっている。 質問はしばしばオンライン教育システムで多く行われ、常により少ないスキルと関連付けられている。 しかし, 従来の文献では, 質問情報と高次質問スキルの相関が欠如しており, 主にデータの分散性やマルチスキルの問題によって制限されている。 モデルの観点からは,従来モデルでは学生運動履歴の長期的依存性を把握できず,学生問合せと学生スキルの相互作用を一貫した方法でモデル化することはできない。 本稿では,上記のプローブに取り組むために,知識トレースのためのグラフベースインタラクションモデル(gikt)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、埋め込み伝播を介して質問スキル相関を実質的に組み込む。 また、関連する質問は、通常、運動履歴中に散在しており、その質問とスキルは、単に知識の異なるインスタンス化であると考え、giktは、学生の現在の状態、学生の歴史に関する演習、対象の質問、および関連するスキルとの相互作用に対する、学生の質問のマスターの程度を一般化する。 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。

関連論文リスト

• Konstruktor: A Strong Baseline for Simple Knowledge Graph Question Answering [60.6042489577575]
  Konstruktor - 問題を3つのステップに分割する,効率的で堅牢なアプローチ。 我々のアプローチは言語モデルと知識グラフを統合し、前者の力と後者の解釈可能性を活用する。 関係検出において、ワークフローの最も困難なステップとして、関係分類・生成とランク付けの組み合わせが、他の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-24T09:19:11Z)
• DyGKT: Dynamic Graph Learning for Knowledge Tracing [27.886870568131254]
  本研究の動機は,(1) 記録に回答する学生の規模が常に増大していること,(2) 記録間の時間間隔のセマンティクスが異なること,(3) 学生,質問,概念の関係が進化していること,の3つである。 この線に沿って,動的グラフに基づく知識追跡モデル,すなわちDyGKTを提案する。 特に、知識追跡のための連続時間動的問合せグラフは、無限に増加する応答行動に対処するために構築される。
  論文  参考訳（メタデータ） (2024-07-30T13:43:32Z)
• 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)
• Forgetting-aware Linear Bias for Attentive Knowledge Tracing [7.87348193562399]
  本稿では,リニアバイアスとして忘れる動作を反映するフォーッティング対応リニアバイアス(FoLiBi)を提案する。 複数のKTモデルでプラグインされたFoLiBiは、4つのベンチマークデータセット上の最先端KTモデルよりも、AUCで最大2.58%改善されている。
  論文  参考訳（メタデータ） (2023-09-26T09:48:30Z)
• Quiz-based Knowledge Tracing [61.9152637457605]
  知識追跡は、学習相互作用に基づいて個人の進化する知識状態を評価することを目的としている。 QKTは、既存の方法と比較して最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-04-05T12:48:42Z)
• Knowledge-Routed Visual Question Reasoning: Challenges for Deep Representation Embedding [140.5911760063681]
  VQAモデル評価のためのナレッジルーティング視覚質問推論という新しいデータセットを提案する。 視覚ゲノムシーングラフと外部知識ベースの両方に基づいて,制御プログラムを用いて質問応答対を生成する。
  論文  参考訳（メタデータ） (2020-12-14T00:33:44Z)
• RKT : Relation-Aware Self-Attention for Knowledge Tracing [2.9778695679660188]
  知識追跡のためのリレーショナル・アウェア・セルフアテンション・モデル(RKT)を提案する。 文脈情報を組み込んだ関係認識型自己認識層を導入する。 我々のモデルは最先端の知識追跡手法より優れている。
  論文  参考訳（メタデータ） (2020-08-28T16:47:03Z)
• HGKT: Introducing Hierarchical Exercise Graph for Knowledge Tracing [19.416373111152613]
  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。
  論文  参考訳（メタデータ） (2020-06-13T07:09:52Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。