論文の概要: Graph-based Exercise- and Knowledge-Aware Learning Network for Student
Performance Prediction
- arxiv url: http://arxiv.org/abs/2106.00263v1
- Date: Tue, 1 Jun 2021 06:53:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-02 14:23:25.381577
- Title: Graph-based Exercise- and Knowledge-Aware Learning Network for Student
Performance Prediction
- Title(参考訳): 学生のパフォーマンス予測のためのグラフベース演習・知識学習ネットワーク
- Authors: Mengfan Liu, Pengyang Shao, Kun Zhang
- Abstract要約: 学生のスコアを正確に予測するためのグラフベースのエクササイズ・アンド・ナレッジ・アウェアラーニングネットワークを提案する。
我々は,エクササイズとナレッジ概念の熟達度を学習し,エクササイズとナレッジ概念の2倍の効果をモデル化する。
- 参考スコア(独自算出の注目度): 8.21303828329009
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting student performance is a fundamental task in Intelligent Tutoring
Systems (ITSs), by which we can learn about students' knowledge level and
provide personalized teaching strategies for them. Researchers have made plenty
of efforts on this task. They either leverage educational psychology methods to
predict students' scores according to the learned knowledge proficiency, or
make full use of Collaborative Filtering (CF) models to represent latent
factors of students and exercises. However, most of these methods either
neglect the exercise-specific characteristics (e.g., exercise materials), or
cannot fully explore the high-order interactions between students, exercises,
as well as knowledge concepts. To this end, we propose a Graph-based Exercise-
and Knowledge-Aware Learning Network for accurate student score prediction.
Specifically, we learn students' mastery of exercises and knowledge concepts
respectively to model the two-fold effects of exercises and knowledge concepts.
Then, to model the high-order interactions, we apply graph convolution
techniques in the prediction process. Extensive experiments on two real-world
datasets prove the effectiveness of our proposed Graph-EKLN.
- Abstract(参考訳): 知的指導システム(itss)では、生徒のパフォーマンスを予測することは、生徒の知識レベルを学習し、それらに対してパーソナライズされた指導戦略を提供するための基本的なタスクである。
研究者はこの課題に多くの努力をしてきた。
学習知識の熟練度に応じて生徒のスコアを予測するために教育心理学的手法を利用するか、学生や演習の潜伏要因を表すために協調フィルタリング(CF)モデルをフル活用する。
しかし、これらの手法のほとんどは、運動特有の特性(例えば運動材料)を無視したり、学生間の高次相互作用や運動、知識概念を十分に探求することができない。
そこで本稿では,学生のスコアを正確に予測するためのグラフベースの知識認識学習ネットワークを提案する。
具体的には,エクササイズと知識概念の2つの効果をモデル化するために,学生のエクササイズと知識概念の熟達度をそれぞれ学習する。
そして,高次相互作用をモデル化するために,予測プロセスにグラフ畳み込み手法を適用する。
2つの実世界のデータセットに対する大規模な実験により、提案したグラフ-EKLNの有効性が証明された。
関連論文リスト
- Revealing Networks: Understanding Effective Teacher Practices in
AI-Supported Classrooms using Transmodal Ordered Network Analysis [0.9187505256430948]
本研究は,AI教師と連携した数学教室において,システム内学習の伝統的な指標に関連する効果的な教員の実践を理解するために,トランスモーダル順序ネットワーク分析を用いた。
教師の実践を学生の学習率で比較すると,低学率の生徒はモニタリング後,より有意な使用感を示した。
学習率の低い生徒は、高学率の学生と同様の学習行動を示し、教師の正しい試みを繰り返した。
論文 参考訳(メタデータ) (2023-12-17T21:50:02Z) - Towards Goal-oriented Intelligent Tutoring Systems in Online Education [69.06930979754627]
目標指向知能チューニングシステム(GITS)という新しいタスクを提案する。
GITSは,演習や評価のカスタマイズを戦略的に計画することで,学生の指定概念の習得を可能にすることを目的としている。
PAI(Planning-Assessment-Interaction)と呼ばれるグラフに基づく新しい強化学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-03T12:37:16Z) - DGEKT: A Dual Graph Ensemble Learning Method for Knowledge Tracing [20.71423236895509]
知識追跡のための新しいデュアルグラフアンサンブル学習法(DGEKT)を提案する。
DGEKTは、学生の学習相互作用の二重グラフ構造を確立し、不均一な運動概念の関連を捉える。
オンライン知識蒸留は、より優れたモデリング能力のための追加の監督として、すべての訓練に関する予測を提供する。
論文 参考訳(メタデータ) (2022-11-23T11:37:35Z) - Bi-CLKT: Bi-Graph Contrastive Learning based Knowledge Tracing [39.92424205497689]
知識追跡の目的は、学生が関連する演習の歴史的学習に基づいて、いかにして概念を習得したかを推定することである。
近年のディープラーニングの台頭に伴い、Deep Knowledge Tracingでは、リカレントニューラルネットワーク(RNN)を使用して、このタスクをある程度の成功に導いた。
他の研究では、グラフニューラルネットワーク(GNN)を導入して、大幅な改善を実現するためにタスクを再定義しようと試みている。
本稿では,これらの制約に対処するため,Bi-Graph Contrastive Learning based Knowledge Tracing (Bi-CLKT)を提案する。
論文 参考訳(メタデータ) (2022-01-22T11:07:21Z) - Interpretable Knowledge Tracing: Simple and Efficient Student Modeling
with Causal Relations [21.74631969428855]
解釈可能な知識追跡(英: Interpretable Knowledge Tracing, IKT)は、3つの有意義な潜在機能に依存する単純なモデルである。
IKTの将来の学生成績予測は、Tree-Augmented Naive Bayes (TAN) を用いて行われる。
IKTは、現実世界の教育システムにおいて、因果推論を用いた適応的でパーソナライズされた指示を提供する大きな可能性を秘めている。
論文 参考訳(メタデータ) (2021-12-15T19:05:48Z) - Learning Student-Friendly Teacher Networks for Knowledge Distillation [50.11640959363315]
本研究では,教師から学生への暗黒知識の伝達を容易にする新しい知識蒸留手法を提案する。
事前教育を受けた教師に与えた学習モデルの効果的な学習方法のほとんどとは対照的に,学生に親しみやすい教師モデルを学ぶことを目的とする。
論文 参考訳(メタデータ) (2021-02-12T07:00:17Z) - Peer-inspired Student Performance Prediction in Interactive Online
Question Pools with Graph Neural Network [56.62345811216183]
本稿では,対話型オンライン質問プールにおいて,より優れた生徒のパフォーマンス予測を実現するために,グラフニューラルネットワーク(GNN)を用いた新しいアプローチを提案する。
具体的には,学生のインタラクションを用いた学生と質問の関係をモデル化し,学生のインタラクション・クエストネットワークを構築する。
1631の質問に対して4000人以上の学生の問題解決過程において生成した104,113個のマウス軌跡からなる実世界のデータセットに対するアプローチの有効性を評価した。
論文 参考訳(メタデータ) (2020-08-04T14:55:32Z) - A Competence-aware Curriculum for Visual Concepts Learning via Question
Answering [95.35905804211698]
本稿では,視覚概念学習のための質問応答型カリキュラムを提案する。
視覚概念を学習するためのニューラルシンボリックな概念学習者と学習プロセスを導くための多次元項目応答理論(mIRT)モデルを設計する。
CLEVRの実験結果から,コンピテンスを意識したカリキュラムにより,提案手法は最先端のパフォーマンスを実現することが示された。
論文 参考訳(メタデータ) (2020-07-03T05:08:09Z) - Interactive Knowledge Distillation [79.12866404907506]
本稿では,効率的な知識蒸留のための対話型指導戦略を活用するために,対話型知識蒸留方式を提案する。
蒸留工程では,教師と学生のネットワーク間の相互作用を交換操作により行う。
教員ネットワークの典型的な設定による実験により,IAKDで訓練された学生ネットワークは,従来の知識蒸留法で訓練された学生ネットワークよりも優れた性能を示した。
論文 参考訳(メタデータ) (2020-07-03T03:22:04Z) - Dual Policy Distillation [58.43610940026261]
教員政策を学生政策に転換する政策蒸留は、深層強化学習の課題において大きな成功を収めた。
本研究では,2人の学習者が同じ環境下で活動し,環境の異なる視点を探索する,学生学生による二重政策蒸留(DPD)を導入する。
この二重学習フレームワークを開発する上で重要な課題は、同時代の学習に基づく強化学習アルゴリズムにおいて、ピア学習者から有益な知識を特定することである。
論文 参考訳(メタデータ) (2020-06-07T06:49:47Z) - A Deep Learning Approach to Behavior-Based Learner Modeling [11.899303239960412]
本研究では,学習者の学習結果の予測,すなわちコース終了時の行動予測について検討する。
本稿では,学習者がコースをどう進むか,学習者がコースをどう進むかという2つの重要な要素を取り入れた,パフォーマンス予測のための2つの分岐決定ネットワークを提案する。
提案アルゴリズムは、95.7%の精度と0.958のAUCスコアを達成し、他の全てのモデルより優れている。
論文 参考訳(メタデータ) (2020-01-23T01:26:52Z)
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。