論文の概要: Option Tracing: Beyond Correctness Analysis in Knowledge Tracing

• arxiv url: http://arxiv.org/abs/2104.09043v1
• Date: Mon, 19 Apr 2021 04:28:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-20 13:30:38.132165
• Title: Option Tracing: Beyond Correctness Analysis in Knowledge Tracing
• Title（参考訳）: オプショントレーシング:知識トレーシングにおける正確性分析を超えて
• Authors: Aritra Ghosh, Jay Raspat, Andrew Lan
• Abstract要約: 既存の知識追跡手法を拡張して,学生が選択した質問の正確な選択肢を予測する。 2つの大規模学生応答データセットにおけるオプション追跡手法の性能を定量的に評価した。
• 参考スコア（独自算出の注目度）: 3.1798318618973362
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge tracing refers to a family of methods that estimate each student's knowledge component/skill mastery level from their past responses to questions. One key limitation of most existing knowledge tracing methods is that they can only estimate an \emph{overall} knowledge level of a student per knowledge component/skill since they analyze only the (usually binary-valued) correctness of student responses. Therefore, it is hard to use them to diagnose specific student errors. In this paper, we extend existing knowledge tracing methods beyond correctness prediction to the task of predicting the exact option students select in multiple choice questions. We quantitatively evaluate the performance of our option tracing methods on two large-scale student response datasets. We also qualitatively evaluate their ability in identifying common student errors in the form of clusters of incorrect options across different questions that correspond to the same error.
• Abstract（参考訳）: 知識追跡とは、過去の質問に対する回答から各学生の知識構成要素/スキル習得レベルを推定する手法のファミリーを指す。 既存の知識追跡手法の鍵となる制限の1つは、生徒の応答の(通常バイナリ値の)正しさのみを解析するため、知識コンポーネント/スキルごとに生徒の知識レベルを計算できることである。 そのため、特定の学生の誤りの診断に使用するのは難しい。 本稿では,既存の知識追跡手法を,正当性予測を超えて,複数の選択質問で選択した正確な選択肢を予測するタスクに拡張する。 2つの大規模学生応答データセットにおけるオプション追跡手法の性能を定量的に評価した。 また,同じ誤りに対応する様々な質問にまたがる誤った選択肢のクラスタの形で,一般的な学生の誤りを識別する能力についても質的に評価した。

関連論文リスト

• Probably Approximately Precision and Recall Learning [62.912015491907994]
  精度とリコールは機械学習の基本的な指標である。 一方的なフィードバック – トレーニング中にのみ肯定的な例が観察される – は,多くの実践的な問題に固有のものだ。 PAC学習フレームワークでは,各仮説をグラフで表現し,エッジは肯定的な相互作用を示す。
  論文  参考訳（メタデータ） (2024-11-20T04:21:07Z)
• Enhancing Knowledge Tracing with Concept Map and Response Disentanglement [5.201585012263761]
  本稿では,知識追跡(CRKT)モデルを強化するための概念マップ駆動型応答不整合法を提案する。 CRKTは、答えの選択を直接活用することでKTに恩恵を与える。 さらに,不整合表現を用いて,学生が選択しない選択肢から洞察を得るアンチョセン応答の新規利用について紹介する。
  論文  参考訳（メタデータ） (2024-08-23T11:25:56Z)
• Explainable Few-shot Knowledge Tracing [48.877979333221326]
  本稿では,学生の記録から学生の知識をトラッキングし,自然言語による説明を提供する認知誘導フレームワークを提案する。 3つの広く使われているデータセットによる実験結果から、LLMは競合する深層知識追跡手法に匹敵する、あるいは優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-05-23T10:07:21Z)
• Knowledge Tracing Challenge: Optimal Activity Sequencing for Students [0.9814642627359286]
  知識追跡(きゅうがく、英: Knowledge Trace)は、個々の学習者による知識の獲得を評価・追跡する教育において用いられる手法である。 我々は,AAAI2023 Global Knowledge Tracing Challengeの一環として,新たにリリースされたデータセット上に2つの知識追跡アルゴリズムを実装した結果を示す。
  論文  参考訳（メタデータ） (2023-11-13T16:28:34Z)
• Improving Selective Visual Question Answering by Learning from Your Peers [74.20167944693424]
  VQA(Visual Question Answering)モデルは、間違っていた場合の回答を控えるのに苦労する可能性がある。 本稿では,複数モーダル選択関数の学習におけるLearning from Your Peers (LYP) アプローチを提案する。 提案手法では,学習データの異なるサブセットに基づいて訓練されたモデルの予測を,選択的VQAモデルの最適化のターゲットとして利用する。
  論文  参考訳（メタデータ） (2023-06-14T21:22:01Z)
• A Unified End-to-End Retriever-Reader Framework for Knowledge-based VQA [67.75989848202343]
  本稿では,知識に基づくVQAに向けて,エンド・ツー・エンドのレトリバー・リーダー・フレームワークを提案する。 我々は、視覚言語による事前学習モデルからの多モーダルな暗黙の知識に光を当て、知識推論の可能性を掘り下げた。 提案手法では,知識検索のガイダンスを提供するだけでなく,質問応答に対してエラーが発生しやすいケースも排除できる。
  論文  参考訳（メタデータ） (2022-06-30T02:35:04Z)
• GPT-based Open-Ended Knowledge Tracing [24.822739021636455]
  学生の質問に対する回答を正確に予測する新しい課題について検討する。 私たちの研究は、コンピュータサイエンス教育の分野において、プログラミングに関する質問に基礎を置いています。 学生の知識に基づくコード生成手法であるOKT問題の初期解を開発した。
  論文  参考訳（メタデータ） (2022-02-21T02:33:34Z)
• Masked Deep Q-Recommender for Effective Question Scheduling [0.4129225533930965]
  提案手法は,まず,知識追跡(KT)モデルを用いて,学生の概念レベルの知識を評価する。 学生の知識が予測された場合、RLベースの推薦者は各質問の利点を予測する。 カリキュラムの範囲制限と重複ペナルティにより、推薦者はあらかじめ定義された質問数に到達するまで質問を順次選択する。
  論文  参考訳（メタデータ） (2021-12-19T11:36:01Z)
• Low-Regret Active learning [64.36270166907788]
  トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。 私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
  論文  参考訳（メタデータ） (2021-04-06T22:53:45Z)
• 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)
• R2DE: a NLP approach to estimating IRT parameters of newly generated questions [3.364554138758565]
  R2DEは、質問のテキストを見て、新しく生成された複数の選択の質問を評価することができるモデルである。 特に、各質問の難易度と識別度を推定することができる。
  論文  参考訳（メタデータ） (2020-01-21T14:31:01Z)

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。