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

• 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)
• Large Language Model Enhanced Knowledge Representation Learning: A Survey [15.602891714371342]
  言語モデルと知識表現学習(KRL)の統合は、人工知能(AI)分野における大きな進歩を示している。 LLMによるKRLの強化に関する研究が増えているにもかかわらず、これらの強化されたモデルのプロセスを分析する徹底的な調査は、顕著に欠落している。 3つの異なるトランスフォーマーアーキテクチャに基づいてこれらのモデルを分類し、様々なKRL下流タスクからの実験データを解析し、それぞれのアプローチの長所と短所を評価することで、この問題に対処する。
  論文  参考訳（メタデータ） (2024-07-01T03:37:35Z)
• A Survey on Deep Active Learning: Recent Advances and New Frontiers [27.07154361976248]
  この研究は、ディープラーニングに基づくアクティブラーニング(DAL)の難しさを克服する上で、研究者にとって有用かつ迅速なガイドとなることを目的としている。 この手法は適用可能性の広さから人気が高まりつつあるが、特にディープラーニングに基づくアクティブラーニング(DAL)に関する調査論文は乏しいままである。
  論文  参考訳（メタデータ） (2024-05-01T05:54:33Z)
• Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
  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)
• Interpreting Deep Knowledge Tracing Model on EdNet Dataset [67.81797777936868]
  この作業では、EdNetと呼ばれる大規模で新しく利用可能なデータセット上で、同様のタスクを実行します。 予備実験の結果,解釈手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-10-31T07:18:59Z)
• Pre-Trained Models: Past, Present and Future [126.21572378910746]
  大規模事前訓練モデル(PTM)は近年大きな成功を収め、人工知能(AI)分野におけるマイルストーンとなった。 知識を巨大なパラメータに格納し、特定のタスクを微調整することで、巨大なパラメータに暗黙的にエンコードされた豊富な知識は、さまざまな下流タスクの恩恵を受けることができる。 AIコミュニティが、モデルをスクラッチから学習するのではなく、下流タスクのバックボーンとしてPTMを採用することは、今、コンセンサスになっている。
  論文  参考訳（メタデータ） (2021-06-14T02:40:32Z)
• Wizard of Search Engine: Access to Information Through Conversations with Search Engines [58.53420685514819]
  我々は3つの側面からCISの研究を促進するために努力している。 目的検出(ID)、キーフレーズ抽出(KE)、行動予測(AP)、クエリ選択(QS)、通過選択(PS)、応答生成(RG)の6つのサブタスクでCIS用のパイプラインを定式化する。 検索エンジンのウィザード(WISE)と呼ばれるベンチマークデータセットをリリースし、CISのすべての側面について包括的かつ詳細な調査を可能にします。
  論文  参考訳（メタデータ） (2021-05-18T06:35:36Z)
• Improving Knowledge Tracing via Pre-training Question Embeddings [25.611547414936553]
  知識追跡(KT)は、学生が過去の回答に基づいて正しい質問に答えられるかどうかを予測するタスクを定義する。 本稿では,豊富な側情報に対する各質問に対する埋め込みを事前学習することで,KTに対する大きな利得を実現することができることを示す。 具体的には、質問難易度と、質問とスキルの間の2部グラフに含まれる3種類の関係性を含む。
  論文  参考訳（メタデータ） (2020-12-09T13:21:23Z)
• qDKT: Question-centric Deep Knowledge Tracing [29.431121650577396]
  DKTの変種であるqDKTを導入し、各学習者の成功確率を時間とともにモデル化する。 qDKTはグラフラプラシア正規化を各スキルの下で滑らかな予測に組み込む。 いくつかの実世界のデータセットの実験により、qDKTは学習結果の予測において最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-05-25T23:43:55Z)
• 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)

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。