論文の概要: A Survey of Knowledge Tracing: Models, Variants, and Applications

• arxiv url: http://arxiv.org/abs/2105.15106v4
• Date: Thu, 11 Apr 2024 02:57:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-12 19:46:03.461582
• Title: A Survey of Knowledge Tracing: Models, Variants, and Applications
• Title（参考訳）: 知識追跡に関するサーベイ:モデル,変数,応用
• Authors: Shuanghong Shen, Qi Liu, Zhenya Huang, Yonghe Zheng, Minghao Yin, Minjuan Wang, Enhong Chen,
• Abstract要約: 知識追跡は、学生の行動データ分析の基本的なタスクの1つである。 我々は、異なる技術経路を持つ3種類の基本KTモデルを示す。 この急速に成長する分野における今後の研究の方向性について論じる。
• 参考スコア（独自算出の注目度）: 70.69281873057619
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern online education has the capacity to provide intelligent educational services by automatically analyzing substantial amounts of student behavioral data. Knowledge Tracing (KT) is one of the fundamental tasks for student behavioral data analysis, aiming to monitor students' evolving knowledge state during their problem-solving process. In recent years, a substantial number of studies have concentrated on this rapidly growing field, significantly contributing to its advancements. In this survey, we will conduct a thorough investigation of these progressions. Firstly, we present three types of fundamental KT models with distinct technical routes. Subsequently, we review extensive variants of the fundamental KT models that consider more stringent learning assumptions. Moreover, the development of KT cannot be separated from its applications, thereby we present typical KT applications in various scenarios. To facilitate the work of researchers and practitioners in this field, we have developed two open-source algorithm libraries: EduData that enables the download and preprocessing of KT-related datasets, and EduKTM that provides an extensible and unified implementation of existing mainstream KT models. Finally, we discuss potential directions for future research in this rapidly growing field. We hope that the current survey will assist both researchers and practitioners in fostering the development of KT, thereby benefiting a broader range of students.
• Abstract（参考訳）: 現代のオンライン教育は、大量の生徒の行動データを自動的に分析することによって、インテリジェントな教育サービスを提供する能力を持っている。 KT(Knowledge Tracing)は、学生の行動データ分析の基本課題の一つであり、問題解決過程において、生徒の進化する知識状態を監視することを目的としている。 近年、この急速に成長する分野にかなりの研究が集中しており、その進歩に大きく貢献している。 本調査では、これらの進捗状況を徹底的に調査する。 まず、異なる技術経路を持つ3種類の基本KTモデルを示す。 その後、より厳密な学習仮定を考慮した基本的KTモデルの広範な変種について検討する。 さらに、KTの開発をアプリケーションから切り離すことはできないため、様々なシナリオで典型的なKTアプリケーションを提示する。 この分野での研究者や実践者の作業を容易にするために、KT関連データセットのダウンロードと前処理を可能にするEduDataと、既存の主流KTモデルの拡張可能で統一された実装を提供するEduKTMという、2つのオープンソースアルゴリズムライブラリを開発した。 最後に、この急速に成長する分野における今後の研究の方向性について論じる。 今回の調査は、研究者と実践者の両方がKTの開発を奨励し、より広い範囲の学生に利益をもたらすことを願っている。

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。