論文の概要: DBE-KT22: A Knowledge Tracing Dataset Based on Online Student Evaluation

• arxiv url: http://arxiv.org/abs/2208.12651v1
• Date: Fri, 19 Aug 2022 00:10:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-04 02:09:02.297225
• Title: DBE-KT22: A Knowledge Tracing Dataset Based on Online Student Evaluation
• Title（参考訳）: DBE-KT22:オンライン学生評価に基づく知識追跡データセット
• Authors: Ghodai Abdelrahman, Sherif Abdelfattah, Qing Wang, Yu Lin
• Abstract要約: 知識追跡のためのデータベース演習(DBE-KT22)という新しい知識追跡データセットを提案する。 オーストラリア国立大学(Australian National University)で教えられているオンラインの学生運動システムから収集される。
• 参考スコア（独自算出の注目度）: 6.341812549259541
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Online education has gained an increasing importance over the last decade for providing affordable high-quality education to students worldwide. This has been further magnified during the global pandemic as more students switched to study online. The majority of online education tasks, e.g., course recommendation, exercise recommendation, or automated evaluation, depends on tracking students' knowledge progress. This is known as the \emph{Knowledge Tracing} problem in the literature. Addressing this problem requires collecting student evaluation data that can reflect their knowledge evolution over time. In this paper, we propose a new knowledge tracing dataset named Database Exercises for Knowledge Tracing (DBE-KT22) that is collected from an online student exercise system in a course taught at the Australian National University in Australia. We discuss the characteristics of the DBE-KT22 dataset and contrast it with the existing datasets in the knowledge tracing literature. Our dataset is available for public access through the Australian Data Archive platform.
• Abstract（参考訳）: オンライン教育は、世界中の学生に安価な高品質の教育を提供するために、過去10年間でますます重要になっている。 これは世界的なパンデミックの間にさらに拡大し、より多くの学生がオンライン学習に切り替えた。 オンライン教育タスクの大多数、例えばコースレコメンデーション、エクササイズレコメンデーション、自動評価は、生徒の知識の進歩を追跡することに依存している。 これは文献において \emph{knowledge tracing}問題として知られている。 この問題に対処するには、時間とともに知識の進化を反映できる学生評価データを集める必要がある。 本稿では,オーストラリアのオーストラリア国立大学において,オンライン学生演習システムから収集された知識追跡のためのデータベースエクササイズ(dbe-kt22)という新しい知識追跡データセットを提案する。 DBE-KT22データセットの特徴を考察し、知識追跡文献における既存のデータセットと対比する。 私たちのデータセットは、australian data archive platformを介してパブリックアクセスできます。

関連論文リスト

• 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)
• On Responsible Machine Learning Datasets with Fairness, Privacy, and Regulatory Norms [56.119374302685934]
  AI技術の信頼性に関する深刻な懸念があった。 機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。 本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T14:01:53Z)
• Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
  我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。 まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。 トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
  論文  参考訳（メタデータ） (2022-11-24T13:18:27Z)
• Investigating the impact of COVID-19 on Online Learning-based Web Behavior [0.0]
  この調査は、Googleが世界でもっとも人気のある検索エンジンであるとして、Google検索ベースのウェブ行動データの調査に特化している。 オンライン学習ベースのWeb行動に関連する新型コロナウイルスがGoogleに与える影響は、新型コロナウイルスの感染者の総数で上位20か国で調査された。
  論文  参考訳（メタデータ） (2022-04-27T01:38:10Z)
• DCUR: Data Curriculum for Teaching via Samples with Reinforcement Learning [6.9884912034790405]
  本稿では,オンライン深層学習を用いた教員教育を行うためのフレームワーク,Data CUrriculum for Reinforcement Learning (DCUR)を提案する。 そして、オフラインのRLを実行するか、少量の自己生成データと組み合わせて教師データを使用することで学習する。
  論文  参考訳（メタデータ） (2021-09-15T15:39:46Z)
• PEEK: A Large Dataset of Learner Engagement with Educational Videos [20.49299110732228]
  我々は,教育ビデオに携わる学習者の大規模な新しいデータセットをリリースする。 このデータセットはPEEK(Personalized Educational Engagement with Knowledge Topics)と名付けられたもので、この性質について初めて公開されたデータセットである。 学習者のエンゲージメントの信号は、リッチなコンテンツ表現と一致して、強力なパーソナライズアルゴリズムを構築するための道を開くだろうと考えています。
  論文  参考訳（メタデータ） (2021-09-03T11:23:02Z)
• Online Continual Learning with Natural Distribution Shifts: An Empirical Study with Visual Data [101.6195176510611]
  オンライン」連続学習は、情報保持とオンライン学習の有効性の両方を評価することができる。 オンライン連続学習では、入力される各小さなデータをまずテストに使用し、次にトレーニングセットに追加し、真にオンラインにします。 本稿では,大規模かつ自然な分布変化を示すオンライン連続視覚学習のための新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2021-08-20T06:17:20Z)
• Combining Online Learning and Offline Learning for Contextual Bandits with Deficient Support [53.11601029040302]
  現在のオフライン政治学習アルゴリズムは、主に逆確率スコア(IPS)重み付けに基づいている。 オフライン学習とオンライン探索を組み合わせた新しい手法を提案する。 提案手法は,最小限のオンライン探索数を用いて理論的保証を伴う最適政策を決定する。
  論文  参考訳（メタデータ） (2021-07-24T05:07:43Z)
• Application of Deep Self-Attention in Knowledge Tracing [2.5852720579998336]
  本稿では,中国の多くの大学の学生が使用しているオンラインアセスメントシステムであるPTAのデータをもとに,Deep Self-Attentive Knowledge Tracing (DSAKT)を提案する。 PTAのデータの実験では、DSAKTは知識追跡において他のモデルよりも2.1%向上している。
  論文  参考訳（メタデータ） (2021-05-17T14:45:38Z)
• 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)
• Drinking from a Firehose: Continual Learning with Web-scale Natural Language [109.80198763438248]
  大規模に連続学習を行う自然環境について検討する。 Twitterの投稿の膨大なデータセットを集めています。 前例のない規模で連続学習アルゴリズムの厳密な評価を行う。
  論文  参考訳（メタデータ） (2020-07-18T05:40:02Z)

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。