論文の概要: Transferable Student Performance Modeling for Intelligent Tutoring Systems

• arxiv url: http://arxiv.org/abs/2202.03980v1
• Date: Tue, 8 Feb 2022 16:36:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-09 16:16:37.444250
• Title: Transferable Student Performance Modeling for Intelligent Tutoring Systems
• Title（参考訳）: インテリジェントチュータシステムのためのトランスファー可能な学生パフォーマンスモデリング
• Authors: Robin Schmucker, Tom M. Mitchell
• Abstract要約: 移動学習技術は,既存のコースのログデータを活用することで,新しいコースの正確な性能予測を提供する方法であると考えている。 実世界の大規模ITSにおける47,000人以上の学生のデータを含む5つの数学コースの学生相互作用シーケンスデータを用いて,提案手法の評価を行った。
• 参考スコア（独自算出の注目度）: 24.118429574890055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Millions of learners worldwide are now using intelligent tutoring systems (ITSs). At their core, ITSs rely on machine learning algorithms to track each user's changing performance level over time to provide personalized instruction. Crucially, student performance models are trained using interaction sequence data of previous learners to analyse data generated by future learners. This induces a cold-start problem when a new course is introduced for which no training data is available. Here, we consider transfer learning techniques as a way to provide accurate performance predictions for new courses by leveraging log data from existing courses. We study two settings: (i) In the naive transfer setting, we propose course-agnostic performance models that can be applied to any course. (ii) In the inductive transfer setting, we tune pre-trained course-agnostic performance models to new courses using small-scale target course data (e.g., collected during a pilot study). We evaluate the proposed techniques using student interaction sequence data from 5 different mathematics courses containing data from over 47,000 students in a real world large-scale ITS. The course-agnostic models that use additional features provided by human domain experts (e.g, difficulty ratings for questions in the new course) but no student interaction training data for the new course, achieve prediction accuracy on par with standard BKT and PFA models that use training data from thousands of students in the new course. In the inductive setting our transfer learning approach yields more accurate predictions than conventional performance models when only limited student interaction training data (<100 students) is available to both.
• Abstract（参考訳）: 世界中の何百万人もの学習者が知的学習システム(ITS)を使用している。 その中核であるITSは、パーソナライズされた命令を提供するために、各ユーザのパフォーマンスレベルの変化を追跡する機械学習アルゴリズムに依存している。 重要となるのは,過去の学習者のインタラクションシーケンスデータを用いて生徒のパフォーマンスモデルを訓練し,将来の学習者によって生成されたデータを分析することである。 これにより、トレーニングデータがない新しいコースが導入されると、コールドスタート問題が発生する。 本稿では,既存のコースのログデータを活用することで,新しいコースの正確な性能予測を行う方法として転送学習手法を検討する。 私たちは2つの設定を研究します (i)naive転送設定では,任意のコースに適用可能なコース非依存のパフォーマンスモデルを提案する。 (II) 誘導伝達設定では, 小型目標コースデータ(パイロット実験で収集した等)を用いて, 事前学習したコース非依存のパフォーマンスモデルを新たなコースに調整する。 実世界の大規模ITSにおける47,000人以上の学生のデータを含む5つの数学コースの学生相互作用シーケンスデータを用いて,提案手法の評価を行った。 人的領域の専門家によって提供される追加機能(例えば、新しいコースの質問に対する難易度評価など)を利用するコース非依存モデルでは、新しいコースの学生インタラクショントレーニングデータがないため、新しいコースの何千人もの学生のトレーニングデータを使用する標準的なBKTやPFAモデルと同等の精度で予測できる。 インダクティブな設定では,学生インタラクショントレーニングデータ(100名)のみを両立させることで,従来のパフォーマンスモデルよりも正確な予測を行うことができる。

関連論文リスト

• Towards An Online Incremental Approach to Predict Students Performance [0.8287206589886879]
  本稿では,オンライン分類器を更新するためのメモリベースのオンラインインクリメンタル学習手法を提案する。 提案手法は,現在の最先端技術と比較して10%近く向上し,モデル精度の顕著な向上を実現している。
  論文  参考訳（メタデータ） (2024-05-03T17:13:26Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• Robust Machine Learning by Transforming and Augmenting Imperfect Training Data [6.928276018602774]
  この論文は、現代の機械学習のいくつかのデータ感度を探求する。 まず、トレーニングデータで測定された事前の人間の識別をMLが符号化するのを防ぐ方法について論じる。 次に、トレーニング中に予測忠実度を提供するが、デプロイ時に信頼性が低い突発的特徴を含むデータから学習する問題について論じる。
  論文  参考訳（メタデータ） (2023-12-19T20:49:28Z)
• Efficient Grammatical Error Correction Via Multi-Task Training and Optimized Training Schedule [55.08778142798106]
  原文と修正文のアライメントを利用する補助タスクを提案する。 我々は,各タスクをシーケンス・ツー・シーケンス問題として定式化し,マルチタスク・トレーニングを行う。 トレーニングに使用されるデータセットの順序や、データセット内の個々のインスタンスでさえ、最終的なパフォーマンスに重要な影響を与える可能性があることが分かりました。
  論文  参考訳（メタデータ） (2023-11-20T14:50:12Z)
• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
  本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。 一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。 一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
  論文  参考訳（メタデータ） (2023-09-13T17:55:11Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Self-Distillation for Further Pre-training of Transformers [83.84227016847096]
  我々は、さらなる事前学習段階の正則化として自己蒸留を提案する。 画像およびテキスト分類タスクのための様々なベンチマークデータセットにおける自己蒸留の有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2022-09-30T02:25:12Z)
• Process-BERT: A Framework for Representation Learning on Educational Process Data [68.8204255655161]
  本稿では,教育プロセスデータの表現を学習するためのフレームワークを提案する。 我々のフレームワークは、BERT型の目的を用いて、シーケンシャルなプロセスデータから表現を学習する事前学習ステップで構成されています。 当社のフレームワークは,2019年国のレポートカードデータマイニングコンペティションデータセットに適用しています。
  論文  参考訳（メタデータ） (2022-04-28T16:07:28Z)
• 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)
• Federated Few-Shot Learning with Adversarial Learning [30.905239262227]
  少数のラベル付きサンプルだけで、見えないデータクラスを分類できる、数ショットの分類モデルを学ぶための、数ショット学習フレームワークを提案する。 学習視覚タスクは10%以上,言語タスクは5%以上,私たちのアプローチはベースラインよりも優れています。
  論文  参考訳（メタデータ） (2021-04-01T09:44:57Z)
• A Survey on Self-supervised Pre-training for Sequential Transfer Learning in Neural Networks [1.1802674324027231]
  移動学習のための自己教師付き事前学習は、ラベルのないデータを用いて最先端の結果を改善する技術として、ますます人気が高まっている。 本稿では,自己指導型学習と伝達学習の分類学の概要を述べるとともに,各領域にまたがる事前学習タスクを設計するためのいくつかの顕著な手法を強調した。
  論文  参考訳（メタデータ） (2020-07-01T22:55:48Z)

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。