論文の概要: APGKT: Exploiting Associative Path on Skills Graph for Knowledge Tracing
- arxiv url: http://arxiv.org/abs/2210.08971v1
- Date: Wed, 5 Oct 2022 17:08:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 20:43:00.720048
- Title: APGKT: Exploiting Associative Path on Skills Graph for Knowledge Tracing
- Title(参考訳): APGKT:知識追跡のためのスキルグラフに連想パスを爆発させる
- Authors: Haotian Zhang, Chenyang Bu, Fei Liu, Shuochen Liu, Yuhong Zhang, and
Xuegang Hu
- Abstract要約: 我々は,スキルモードを利用したKTモデルAPGKTを提案する。
課題に関わるスキルのサブグラフトポロジを抽出し、スキルの難易度を組み合わせ、エンコーディングによるスキルモードを得る。
本研究では,学生の今後の回答能力を予測するために,高次のスキル認知状態を得る。
- 参考スコア(独自算出の注目度): 8.751819506454964
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge tracing (KT) is a fundamental task in educational data mining that
mainly focuses on students' dynamic cognitive states of skills. The
question-answering process of students can be regarded as a thinking process
that considers the following two problems. One problem is which skills are
needed to answer the question, and the other is how to use these skills in
order. If a student wants to answer a question correctly, the student should
not only master the set of skills involved in the question but also think and
obtain the associative path on the skills graph. The nodes in the associative
path refer to the skills needed and the path shows the order of using them. The
associative path is referred to as the skill mode. Thus, obtaining the skill
modes is the key to answering questions successfully. However, most existing KT
models only focus on a set of skills, without considering the skill modes. We
propose a KT model, called APGKT, that exploits skill modes. Specifically, we
extract the subgraph topology of the skills involved in the question and
combine the difficulty level of the skills to obtain the skill modes via
encoding; then, through multi-layer recurrent neural networks, we obtain a
student's higher-order cognitive states of skills, which is used to predict the
student's future answering performance. Experiments on five benchmark datasets
validate the effectiveness of the proposed model.
- Abstract(参考訳): 知識追跡(KT)は、主に学生の動的認知的スキル状態に焦点を当てた、教育データマイニングの基本的な課題である。
学生の質問応答過程は,以下の2つの問題を考える思考過程とみなすことができる。
ひとつは、質問に答えるためにどのスキルが必要なのか、もうひとつは、これらのスキルを順番に使う方法です。
学生が正しい質問に答えたい場合、学生は質問に関わるスキルのセットをマスターするだけでなく、スキルグラフの連想パスを考えたり得る必要がある。
連想パスのノードは必要なスキルを参照し、パスはそれらを使用する順序を示す。
連想パスはスキルモードと呼ばれる。
したがって、スキルモードを取得することが、質問にうまく答える鍵となる。
しかしながら、既存のKTモデルのほとんどは、スキルモードを考慮せずに、一連のスキルのみに焦点を当てている。
我々は,スキルモードを利用したKTモデルAPGKTを提案する。
具体的には,課題に関わるスキルのサブグラフトポロジを抽出し,エンコーディングによるスキルモード獲得の難易度を組み合わせ,多層リカレントニューラルネットワークを用いて,学生の今後の回答性能を予測するための高次認知状態を得る。
5つのベンチマークデータセットの実験は、提案モデルの有効性を検証する。
関連論文リスト
- 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) - Choreographer: Learning and Adapting Skills in Imagination [60.09911483010824]
我々は、その世界モデルを利用して想像力のスキルを学び、適応するモデルベースのエージェントであるChoreographerを紹介する。
提案手法は探索とスキル学習のプロセスを切り離し,モデルの潜在状態空間におけるスキルの発見を可能にする。
Choreographerはオフラインデータからスキルを学ぶことができ、探索ポリシーと同時にデータを集めることができる。
論文 参考訳(メタデータ) (2022-11-23T23:31:14Z) - Skill-Based Reinforcement Learning with Intrinsic Reward Matching [77.34726150561087]
Intrinsic Reward Matching (IRM) を提案する。
IRMにより、従来のスキル選択方法よりもはるかに効果的に事前訓練されたスキルを活用できる。
論文 参考訳(メタデータ) (2022-10-14T00:04:49Z) - Hierarchical Skills for Efficient Exploration [70.62309286348057]
強化学習において、事前訓練された低レベルスキルは、探索を大幅に促進する可能性がある。
下流タスクの以前の知識は、スキルデザインにおける一般性(きめ細かい制御)と特異性(より高速な学習)の適切なバランスをとるために必要である。
教師なしの方法で様々な複雑さのスキルを習得する階層的スキル学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-10-20T22:29:32Z) - 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) - Knowledge-Routed Visual Question Reasoning: Challenges for Deep
Representation Embedding [140.5911760063681]
VQAモデル評価のためのナレッジルーティング視覚質問推論という新しいデータセットを提案する。
視覚ゲノムシーングラフと外部知識ベースの両方に基づいて,制御プログラムを用いて質問応答対を生成する。
論文 参考訳(メタデータ) (2020-12-14T00:33:44Z) - Improving Knowledge Tracing via Pre-training Question Embeddings [25.611547414936553]
知識追跡(KT)は、学生が過去の回答に基づいて正しい質問に答えられるかどうかを予測するタスクを定義する。
本稿では,豊富な側情報に対する各質問に対する埋め込みを事前学習することで,KTに対する大きな利得を実現することができることを示す。
具体的には、質問難易度と、質問とスキルの間の2部グラフに含まれる3種類の関係性を含む。
論文 参考訳(メタデータ) (2020-12-09T13:21:23Z) - Few-Shot Complex Knowledge Base Question Answering via Meta
Reinforcement Learning [55.08037694027792]
複雑な質問答え(CQA)は、知識ベース(KB)上の複雑な自然言語質問に答える。
従来のニューラルプログラム誘導(NPI)アプローチは、質問の種類が異なる場合、不均一なパフォーマンスを示す。
本稿では,CQAにおけるプログラム誘導のためのメタ強化学習手法を提案する。
論文 参考訳(メタデータ) (2020-10-29T18:34:55Z) - Accelerating Reinforcement Learning with Learned Skill Priors [20.268358783821487]
現代の強化学習アプローチは、すべてのタスクをゼロから学習する。
事前知識を活用する1つのアプローチは、事前タスクで学んだスキルを新しいタスクに移すことである。
学習したスキル事前は、リッチデータセットからの効果的なスキル伝達に不可欠であることを示す。
論文 参考訳(メタデータ) (2020-10-22T17:59:51Z) - ELSIM: End-to-end learning of reusable skills through intrinsic
motivation [0.0]
本稿では、階層的に学習し、エンドツーエンドで自己生成スキルを表現する新しい強化学習アーキテクチャを提案する。
このアーキテクチャでは、エージェントは、スキルボトムアップの学習プロセスを維持しながら、タスクリワードスキルのみに焦点を当てる。
論文 参考訳(メタデータ) (2020-06-23T11:20:46Z) - qDKT: Question-centric Deep Knowledge Tracing [29.431121650577396]
DKTの変種であるqDKTを導入し、各学習者の成功確率を時間とともにモデル化する。
qDKTはグラフラプラシア正規化を各スキルの下で滑らかな予測に組み込む。
いくつかの実世界のデータセットの実験により、qDKTは学習結果の予測において最先端のパフォーマンスを達成することが示された。
論文 参考訳(メタデータ) (2020-05-25T23:43:55Z)
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。