論文の概要: Cognitive Diagnosis with Explicit Student Vector Estimation and
Unsupervised Question Matrix Learning
- arxiv url: http://arxiv.org/abs/2203.03722v1
- Date: Tue, 1 Mar 2022 03:53:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-13 13:52:56.736586
- Title: Cognitive Diagnosis with Explicit Student Vector Estimation and
Unsupervised Question Matrix Learning
- Title（参考訳）: 明示的学生ベクトル推定と教師なし質問行列学習による認知診断
- Authors: Lu Dong, Zhenhua Ling, Qiang Ling and Zefeng Lai
- Abstract要約: 本研究では,DINA の学生ベクトルを推定するための明示的な学生ベクトル推定法を提案する。
また,Q行列を自動的にラベル付けする双方向キャリブレーションアルゴリズム (HBCA) を提案する。
2つの実世界のデータセットによる実験結果から,ESVE-DINAはDINAモデルよりも精度が高く,HBCAによって自動的にラベル付けされたQ行列は,手動でラベル付けしたQ行列に匹敵する性能が得られることが示された。
- 参考スコア（独自算出の注目度）: 53.79108239032941
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cognitive diagnosis is an essential task in many educational applications.
Many solutions have been designed in the literature. The deterministic input,
noisy "and" gate (DINA) model is a classical cognitive diagnosis model and can
provide interpretable cognitive parameters, e.g., student vectors. However, the
assumption of the probabilistic part of DINA is too strong, because it assumes
that the slip and guess rates of questions are student-independent. Besides,
the question matrix (i.e., Q-matrix) recording the skill distribution of the
questions in the cognitive diagnosis domain often requires precise labels given
by domain experts. Thus, we propose an explicit student vector estimation
(ESVE) method to estimate the student vectors of DINA with a local
self-consistent test, which does not rely on any assumptions for the
probabilistic part of DINA. Then, based on the estimated student vectors, the
probabilistic part of DINA can be modified to a student dependent model that
the slip and guess rates are related to student vectors. Furthermore, we
propose an unsupervised method called heuristic bidirectional calibration
algorithm (HBCA) to label the Q-matrix automatically, which connects the
question difficulty relation and the answer results for initialization and uses
the fault tolerance of ESVE-DINA for calibration. The experimental results on
two real-world datasets show that ESVE-DINA outperforms the DINA model on
accuracy and that the Q-matrix labeled automatically by HBCA can achieve
performance comparable to that obtained with the manually labeled Q-matrix when
using the same model structure.
- Abstract（参考訳）: 認知診断は多くの教育応用において重要な課題である。
多くの解決法が文献に書かれている。
決定論的入力、ノイズ・アンド・ゲート(DINA)モデルは古典的な認知診断モデルであり、例えば学生ベクトルなどの解釈可能な認知パラメータを提供することができる。
しかし、DINAの確率的部分の仮定は、質問のスリップと推測率は学生非依存であると仮定するため、強すぎる。
さらに、認知診断領域における質問のスキル分布を記録する質問行列(Q行列)は、しばしばドメインの専門家によって与えられる正確なラベルを必要とする。
そこで本稿では,DINAの確率的部分に対する仮定に依存せず,学生ベクトルを局所的な自己整合性テストで推定する,明示的な学生ベクトル推定法を提案する。
そして、推定された学生ベクトルに基づいて、DINAの確率部分は、スリップと推定率が学生ベクトルと関連している学生依存モデルに修正することができる。
さらに,q行列を自動的にラベル付けするヒューリスティック双方向キャリブレーションアルゴリズム(hbca)と呼ばれる教師なし手法を提案し,問題難易度関係と解結果とを初期化に結びつけ,esve-dinaの耐障害性を用いてキャリブレーションを行う。
2つの実世界のデータセットによる実験結果から,ESVE-DINAはDINAモデルよりも精度が高く,HBCAによって自動的にラベル付けされたQ行列は,同じモデル構造を用いて手動でラベル付けしたQ行列と同等の性能が得られることが示された。
関連論文リスト
- Uncertainty-preserving deep knowledge tracing with state-space models [1.3791394805787949]
知識の追跡と従来の評価の中心的な目標は、ある時点における学生の知識とスキルを定量化することである。
本稿では,変分オートエンコーダのフレキシブルな不確実性保存特性とベイズ状態空間モデルの原理的情報統合を組み合わせたモデリングパラダイムであるDynamic LENSを紹介する。
論文 参考訳（メタデータ） (2024-07-09T13:40:28Z) - MalAlgoQA: Pedagogical Evaluation of Counterfactual Reasoning in Large Language Models and Implications for AI in Education [2.872215065231376]
本稿では,MalAlgoQAを提案する。MalAlgoQAは,大規模言語モデルの対実的推論能力を評価するために設計されたデータセットである。
MalAlgoQAの核心は、誤った答えの選択の裏にある、不完全で論理的に一貫性のある推論経路の理論的根拠である。
論文 参考訳（メタデータ） (2024-07-01T03:39:13Z) - Querying Easily Flip-flopped Samples for Deep Active Learning [63.62397322172216]
アクティブラーニング(英: Active Learning)は、ラベルのないデータを戦略的に選択してクエリすることで、モデルの性能を向上させることを目的とした機械学習パラダイムである。
効果的な選択戦略の1つはモデルの予測の不確実性に基づくもので、サンプルがどの程度情報的であるかの尺度として解釈できる。
本稿では,予測されたラベルの不一致の最小確率として,最小不一致距離(LDM)を提案する。
論文 参考訳（メタデータ） (2024-01-18T08:12:23Z) - Uncertainty-aware Language Modeling for Selective Question Answering [107.47864420630923]
本稿では,不確実性を考慮したLLMを生成するLLM変換手法を提案する。
我々のアプローチはモデルとデータに依存しず、計算効率が高く、外部モデルやシステムに依存しない。
論文 参考訳（メタデータ） (2023-11-26T22:47:54Z) - Topological Interpretability for Deep-Learning [0.30806551485143496]
ディープラーニング(DL)モデルは、予測の確実性を定量化できない。
本研究は,臨床および非臨床のテキストに基づいて訓練された2つのDL分類モデルにおいて,特徴を推測する手法を提案する。
論文 参考訳（メタデータ） (2023-05-15T13:38:13Z) - Attentive Q-Matrix Learning for Knowledge Tracing [4.863310073296471]
エンド・ツー・エンド・エンド・スタイルのモデルとして,Q-matrix-based Attentive Knowledge Tracing (QAKT)を提案する。
QAKTは、問題を階層的にモデル化し、生徒のシーケンスに基づいてq行列を効率的に学習することができる。
さらなる実験の結果、QAKTによって学習されたq行列は、人間の専門家によってラベル付けされたものよりも非常にモデルに依存し、情報に十分であることが示唆された。
論文 参考訳（メタデータ） (2023-04-06T12:31:34Z) - General stochastic separation theorems with optimal bounds [68.8204255655161]
分離性の現象が明らかになり、機械学習で人工知能(AI)システムのエラーを修正し、AI不安定性を分析するために使用された。
エラーやエラーのクラスタは、残りのデータから分離することができる。
AIシステムを修正する能力は、それに対する攻撃の可能性も開き、高次元性は、同じ分離性によって引き起こされる脆弱性を誘発する。
論文 参考訳（メタデータ） (2020-10-11T13:12:41Z) - Verification of ML Systems via Reparameterization [6.482926592121413]
確率的プログラムを定理証明器で自動的に表現する方法を示す。
また、ベイズ仮説テストで用いられるヌルモデルは、人口統計学的パリティ(英語版)と呼ばれる公平性基準を満たすことを証明した。
論文 参考訳（メタデータ） (2020-07-14T02:19:25Z) - Towards Causality-Aware Inferring: A Sequential Discriminative Approach
for Medical Diagnosis [142.90770786804507]
医学診断アシスタント(MDA)は、疾患を識別するための症状を逐次調査する対話型診断エージェントを構築することを目的としている。
この研究は、因果図を利用して、MDAにおけるこれらの重要な問題に対処しようとする。
本稿では,他の記録から知識を引き出すことにより,非記録的調査に効果的に答える確率に基づく患者シミュレータを提案する。
論文 参考訳（メタデータ） (2020-03-14T02:05:54Z) - Progressive Identification of True Labels for Partial-Label Learning [112.94467491335611]
部分ラベル学習(Partial-label Learning, PLL)は、典型的な弱教師付き学習問題であり、各トレーニングインスタンスには、真のラベルである候補ラベルのセットが設けられている。
既存のほとんどの手法は、特定の方法で解決しなければならない制約付き最適化として精巧に設計されており、計算複雑性をビッグデータにスケールアップするボトルネックにしている。
本稿では,モデルと最適化アルゴリズムの柔軟性を備えた分類器の新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-19T08:35:15Z)
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。