論文の概要: A Survey of Knowledge Tracing
- arxiv url: http://arxiv.org/abs/2105.15106v2
- Date: Tue, 1 Jun 2021 04:43:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-06 11:07:59.978165
- Title: A Survey of Knowledge Tracing
- Title(参考訳): 知識の追跡に関する調査
- Authors: Qi Liu, Shuanghong Shen, Zhenya Huang, Enhong Chen, and Yonghe Zheng
- Abstract要約: 新型コロナウイルスの感染拡大は、オンライン教育の流行を引き起こしている。
オンライン学習プラットフォームを使用して、大量の学習データを記録および研究することが可能になった。
知識追跡(KT)は、学生の進化する知識状態を監視することを目的としている。
- 参考スコア(独自算出の注目度): 49.79718735483553
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-quality education is one of the keys to achieving a more sustainable
world. The recent COVID-19 epidemic has triggered the outbreak of online
education, which has enabled both students and teachers to learn and teach at
home. Meanwhile, it is now possible to record and research a large amount of
learning data using online learning platforms in order to offer better
intelligent educational services. Knowledge Tracing (KT), which aims to monitor
students' evolving knowledge state, is a fundamental and crucial task to
support these intelligent services. Therefore, an increasing amount of research
attention has been paid to this emerging area and considerable progress has
been made. In this survey, we propose a new taxonomy of existing basic KT
models from a technical perspective and provide a comprehensive overview of
these models in a systematic manner. In addition, many variants of KT models
have been proposed to capture more complete learning process. We then review
these variants involved in three phases of the learning process: before,
during, and after the student learning, respectively. Moreover, we present
several typical applications of KT in different educational scenarios. Finally,
we provide some potential directions for future research in this fast-growing
field.
- Abstract(参考訳): 高品質な教育は、より持続可能な世界を達成するための鍵の1つだ。
新型コロナウイルスの感染拡大を受け、オンライン教育が流行し、学生も教師も家庭で学び、教えることができるようになった。
一方、オンライン学習プラットフォームを使って大量の学習データを記録し、調査することが可能になり、よりインテリジェントな教育サービスを提供できるようになった。
学生の進化する知識状態を監視することを目的とした知識追跡(KT)は、これらのインテリジェントサービスを支援するための基本的で重要な課題である。
そのため、この新興地域には研究の注意が払われており、かなりの進歩を遂げている。
本研究では,既存の基本ktモデルの新しい分類法を技術的観点から提案し,これらのモデルの包括的概要を体系的に示す。
さらに、より完全な学習プロセスを捉えるために、多くのKTモデルの変種が提案されている。
次に、学習過程の3つの段階(前、中、後)に関わるこれらの変種を、それぞれレビューする。
さらに、異なる教育シナリオにおけるKTの典型的な応用について述べる。
最後に、この急成長分野における今後の研究の方向性について述べる。
関連論文リスト
- Continual Learning with Pre-Trained Models: A Survey [66.49084129482239]
継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。
本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
論文 参考訳(メタデータ) (2024-01-29T18:27:52Z) - When Meta-Learning Meets Online and Continual Learning: A Survey [44.437160324905726]
メタ学習は学習アルゴリズムを最適化するためのデータ駆動型アプローチである。
継続的な学習とオンライン学習はどちらも、ストリーミングデータでモデルを漸進的に更新する。
本稿では,一貫した用語と形式記述を用いて,様々な問題設定を整理する。
論文 参考訳(メタデータ) (2023-11-09T09:49:50Z) - Machine Unlearning: A Survey [56.79152190680552]
プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。
この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。
この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。
この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
論文 参考訳(メタデータ) (2023-06-06T10:18:36Z) - Deep Active Learning for Computer Vision: Past and Future [50.19394935978135]
AIモデルの開発に欠かせない役割にもかかわらず、アクティブラーニングの研究は他の研究の方向性ほど集中的ではない。
データ自動化の課題に対処し、自動化された機械学習システムに対処することによって、アクティブな学習はAI技術の民主化を促進する。
論文 参考訳(メタデータ) (2022-11-27T13:07:14Z) - An Approach to Adaptive Microlearning in Higher Education [0.0]
本研究では,マイクロラーニングを用いた個別学習システムを提案する。
学生の行動分析と実学習のモチベーションの結果として、学期中に収集されたデータは、提案システムを改善するために使用される。
論文 参考訳(メタデータ) (2022-05-11T11:58:22Z) - Knowledge Tracing: A Survey [4.336461815419918]
教育を通じて知識を伝達する能力は、人間の知性にとって欠かせない側面の1つである。
オンライン教育プラットフォームの台頭に伴い、学習者の知識を追跡し、学習経験を調整するための機械も必要となる。
これは、文献における知識追跡(KT)問題として知られている。
KT問題を効果的に解決すれば、知的学習システム、カリキュラム学習、学習教材の推薦など、コンピュータ支援の教育応用の可能性が解ける。
論文 参考訳(メタデータ) (2022-01-08T13:59:48Z) - Assessing the Knowledge State of Online Students -- New Data, New
Approaches, Improved Accuracy [28.719009375724028]
適応型オンライン教育システムを構築する上で,学生パフォーマンス(SP)モデリングは重要なステップである。
この研究は、4つの異なる知的チューリングシステムから最近利用可能になった4つの非常に大きなデータセットを使った最初のものである。
論文 参考訳(メタデータ) (2021-09-04T00:08:59Z) - Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。
近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
論文 参考訳(メタデータ) (2021-01-19T12:23:32Z) - Knowledge Distillation and Student-Teacher Learning for Visual
Intelligence: A Review and New Outlooks [39.2907363775529]
知識蒸留(KD)は、あるモデルから他のモデルへ学習した情報を伝達するために提案されている。
本稿では,近年積極的に研究されているKDとS-T学習について述べる。
論文 参考訳(メタデータ) (2020-04-13T13:45:38Z) - Curriculum Learning for Reinforcement Learning Domains: A Framework and
Survey [53.73359052511171]
強化学習(Reinforcement Learning, RL)は、エージェントが限られた環境フィードバックしか持たないシーケンシャルな意思決定タスクに対処するための一般的なパラダイムである。
本稿では、RLにおけるカリキュラム学習(CL)の枠組みを提案し、既存のCLメソッドを仮定、能力、目標の観点から調査・分類する。
論文 参考訳(メタデータ) (2020-03-10T20:41:24Z)
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。