論文の概要: Open-Ended Knowledge Tracing

• arxiv url: http://arxiv.org/abs/2203.03716v1
• Date: Mon, 21 Feb 2022 02:33:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-13 16:06:03.853774
• Title: Open-Ended Knowledge Tracing
• Title（参考訳）: Open-Ended Knowledge Tracing
• Authors: Naiming Liu, Zichao Wang, Richard G. Baraniuk, Andrew Lan
• Abstract要約: 我々は,オープンエンドな知識追跡,すなわち,学生の質問に対するオープンエンドな回答の分析と予測について,最初の調査を行った。 まず,オープンエンドな知識追跡のための汎用フレームワークを設計し,コンピュータサイエンス教育分野への応用をプログラミング問題で詳細に解説する。
• 参考スコア（独自算出の注目度）: 24.822739021636455
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge tracing refers to the problem of estimating each student's knowledge component/skill mastery level from their past responses to questions in educational applications. One direct benefit knowledge tracing methods provide is the ability to predict each student's performance on the future questions. However, one key limitation of most existing knowledge tracing methods is that they treat student responses to questions as binary-valued, i.e., whether the responses are correct or incorrect. Response correctness analysis/prediction is easy to navigate but loses important information, especially for open-ended questions: the exact student responses can potentially provide much more information about their knowledge states than only response correctness. In this paper, we present our first exploration into open-ended knowledge tracing, i.e., the analysis and prediction of students' open-ended responses to questions in the knowledge tracing setup. We first lay out a generic framework for open-ended knowledge tracing before detailing its application to the domain of computer science education with programming questions. We define a series of evaluation metrics in this domain and conduct a series of quantitative and qualitative experiments to test the boundaries of open-ended knowledge tracing methods on a real-world student code dataset.
• Abstract（参考訳）: 知識追跡とは、過去の回答から教育応用における質問まで、各学生の知識構成要素/スキル習得レベルを推定する問題を指す。 知識追跡の方法の1つは、将来の質問に対する各生徒のパフォーマンスを予測する能力である。 しかし、既存の知識追跡手法の鍵となる制限の一つは、学生の質問に対する応答をバイナリ値として扱うことである。 反応の正確性分析/予測はナビゲートが容易であるが、特にオープンエンドの質問では重要な情報を失う。 本稿では,オープンエンドな知識追跡システムにおいて,学生の質問に対するオープンエンドな回答の分析と予測を行う。 まず,オープンエンドな知識追跡のための汎用フレームワークを設計し,コンピュータサイエンス教育分野への応用をプログラミング問題で詳細に述べる。 この領域における一連の評価指標を定義し、実世界の学生コードデータセット上のオープンエンド知識追跡手法の境界をテストするための定量的かつ質的な実験を行う。

関連論文リスト

• Knowledge Tagging System on Math Questions via LLMs with Flexible Demonstration Retriever [48.5585921817745]
  大きな言語モデル(LLM)は知識タグ付けタスクを自動化するために使われる。 算数問題における知識タグ付けタスクに対するゼロショットと少数ショットの結果の強い性能を示す。 強化学習に基づくデモレトリバーの提案により,異なるサイズのLLMの潜在能力を活用できた。
  論文  参考訳（メタデータ） (2024-06-19T23:30:01Z)
• Explainable Few-shot Knowledge Tracing [48.877979333221326]
  本稿では,学生の記録から学生の知識をトラッキングし,自然言語による説明を提供する認知誘導フレームワークを提案する。 3つの広く使われているデータセットによる実験結果から、LLMは競合する深層知識追跡手法に匹敵する、あるいは優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-05-23T10:07:21Z)
• Knowledge Tracing Challenge: Optimal Activity Sequencing for Students [0.9814642627359286]
  知識追跡(きゅうがく、英: Knowledge Trace)は、個々の学習者による知識の獲得を評価・追跡する教育において用いられる手法である。 我々は,AAAI2023 Global Knowledge Tracing Challengeの一環として,新たにリリースされたデータセット上に2つの知識追跡アルゴリズムを実装した結果を示す。
  論文  参考訳（メタデータ） (2023-11-13T16:28:34Z)
• Beyond Factuality: A Comprehensive Evaluation of Large Language Models as Knowledge Generators [78.63553017938911]
  大規模言語モデル(LLM)は、下流の知識集約タスクのための情報検索技術より優れている。 しかし、コミュニティの懸念は、この無検閲の知識を使用することの事実と潜在的意味について多岐にわたる。 本研究では,6つの重要な視点から生成した知識を評価するために設計されたCONNERを紹介する。
  論文  参考訳（メタデータ） (2023-10-11T08:22:37Z)
• Leveraging Skill-to-Skill Supervision for Knowledge Tracing [13.753990664747265]
  知識追跡は知的学習システムにおいて重要な役割を担っている。 知識追跡モデルの最近の進歩は、問題解決の歴史をよりうまく活用することを可能にしている。 知識を直接組み込む知識トレースアルゴリズムは、限られたデータやコールドスタートの設定において重要である。
  論文  参考訳（メタデータ） (2023-06-12T03:23:22Z)
• A Unified End-to-End Retriever-Reader Framework for Knowledge-based VQA [67.75989848202343]
  本稿では,知識に基づくVQAに向けて,エンド・ツー・エンドのレトリバー・リーダー・フレームワークを提案する。 我々は、視覚言語による事前学習モデルからの多モーダルな暗黙の知識に光を当て、知識推論の可能性を掘り下げた。 提案手法では,知識検索のガイダンスを提供するだけでなく,質問応答に対してエラーが発生しやすいケースも排除できる。
  論文  参考訳（メタデータ） (2022-06-30T02:35:04Z)
• Masked Deep Q-Recommender for Effective Question Scheduling [0.4129225533930965]
  提案手法は,まず,知識追跡(KT)モデルを用いて,学生の概念レベルの知識を評価する。 学生の知識が予測された場合、RLベースの推薦者は各質問の利点を予測する。 カリキュラムの範囲制限と重複ペナルティにより、推薦者はあらかじめ定義された質問数に到達するまで質問を順次選択する。
  論文  参考訳（メタデータ） (2021-12-19T11:36:01Z)
• Option Tracing: Beyond Correctness Analysis in Knowledge Tracing [3.1798318618973362]
  既存の知識追跡手法を拡張して,学生が選択した質問の正確な選択肢を予測する。 2つの大規模学生応答データセットにおけるオプション追跡手法の性能を定量的に評価した。
  論文  参考訳（メタデータ） (2021-04-19T04:28:34Z)
• Incremental Knowledge Based Question Answering [52.041815783025186]
  人間と同じように学習能力を段階的に拡張できるインクリメンタルKBQA学習フレームワークを提案します。 具体的には、破滅的な忘れ問題を克服するために、マージン希釈損失と協調選択方法からなる。 包括的な実験は、進化する知識ベースに取り組む際にその効果と効率を示す。
  論文  参考訳（メタデータ） (2021-01-18T09:03:38Z)
• KRISP: Integrating Implicit and Symbolic Knowledge for Open-Domain Knowledge-Based VQA [107.7091094498848]
  VQAの最も難しい質問の1つは、質問に答えるために画像に存在しない外部の知識を必要とする場合です。 本研究では,解答に必要な知識が与えられたり記入されたりしないオープンドメイン知識を,トレーニング時やテスト時にも検討する。 知識表現と推論には2つのタイプがあります。 まず、トランスベースのモデルで教師なし言語事前トレーニングと教師付きトレーニングデータから効果的に学ぶことができる暗黙的な知識。
  論文  参考訳（メタデータ） (2020-12-20T20:13:02Z)

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。