論文の概要: DAGKT: Difficulty and Attempts Boosted Graph-based Knowledge Tracing

• arxiv url: http://arxiv.org/abs/2210.15470v1
• Date: Tue, 18 Oct 2022 14:39:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 12:02:31.749620
• Title: DAGKT: Difficulty and Attempts Boosted Graph-based Knowledge Tracing
• Title（参考訳）: dagkt: グラフベースの知識トレースの難易度と試み
• Authors: Rui Luo, Fei Liu, Wenhao Liang, Yuhong Zhang, Chenyang Bu and Xuegang Hu
• Abstract要約: 我々は,学生の記録から豊富な情報を用いて,グラフベースの知識追跡(DAGKT)の難しさと試みを提案する。 本稿では,F1スコアにインスパイアされた質問類似性関係を確立するために,新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 11.147659368393263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the field of intelligent education, knowledge tracing (KT) has attracted increasing attention, which estimates and traces students' mastery of knowledge concepts to provide high-quality education. In KT, there are natural graph structures among questions and knowledge concepts so some studies explored the application of graph neural networks (GNNs) to improve the performance of the KT models which have not used graph structure. However, most of them ignored both the questions' difficulties and students' attempts at questions. Actually, questions with the same knowledge concepts have different difficulties, and students' different attempts also represent different knowledge mastery. In this paper, we propose a difficulty and attempts boosted graph-based KT (DAGKT), using rich information from students' records. Moreover, a novel method is designed to establish the question similarity relationship inspired by the F1 score. Extensive experiments on three real-world datasets demonstrate the effectiveness of the proposed DAGKT.
• Abstract（参考訳）: 知的教育の分野では、知識追跡(KT)が注目され、高品質な教育を提供するための知識概念の習得を推定・追跡している。 KTでは、疑問や知識概念の間に自然グラフ構造が存在するため、グラフ構造を使用しないKTモデルの性能を改善するためにグラフニューラルネットワーク(GNN)の適用について検討する研究もある。 しかし,そのほとんどは質問の難しさと学生の質問への試みを無視していた。 実際、同じ知識概念を持つ質問には異なる困難があり、生徒の異なる試みも異なる知識の習得を表している。 本稿では,学生の記録から得られた豊富な情報を用いて,グラフベースのKT(DAGKT)の強化を図る。 さらに,f1スコアに触発された質問類似度関係を確立するための新しい手法を提案する。 3つの実世界のデータセットに対する大規模な実験は、提案したDAGKTの有効性を示す。

関連論文リスト

• Automated Knowledge Concept Annotation and Question Representation Learning for Knowledge Tracing [59.480951050911436]
  自動知識概念アノテーションと質問表現学習のためのフレームワークであるKCQRLを提案する。 実世界の2つの学習データセット上で、15KTアルゴリズムにまたがるKCQRLの有効性を実証する。
  論文  参考訳（メタデータ） (2024-10-02T16:37:19Z)
• SINKT: A Structure-Aware Inductive Knowledge Tracing Model with Large Language Model [64.92472567841105]
  知識追跡(KT)は、学生が次の質問に正しく答えるかどうかを判断することを目的としている。 大規模言語モデルを用いた構造認識帰納的知識追跡モデル(SINKT) SINKTは、学生の知識状態と質問表現とを相互作用させることで、対象の質問に対する学生の反応を予測する。
  論文  参考訳（メタデータ） (2024-07-01T12:44:52Z)
• Leveraging Pedagogical Theories to Understand Student Learning Process with Graph-based Reasonable Knowledge Tracing [11.082908318943248]
  本稿では,これらの問題に対処するためのグラフベースの合理的知識追跡手法GRKTを紹介する。 本稿では,知識検索,記憶強化,知識学習・鍛造の3段階モデリングプロセスを提案する。
  論文  参考訳（メタデータ） (2024-06-07T10:14:30Z)
• 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)
• Do We Fully Understand Students' Knowledge States? Identifying and Mitigating Answer Bias in Knowledge Tracing [12.31363929361146]
  知識追跡は、概念に関連した質問との学習相互作用を通じて、学生の進化する知識状態を監視することを目的としている。 解答バイアスの一般的な現象、すなわち、各質問に対する正解と誤解の高度に不均衡な分布がある。 既存のモデルは、KTで高い予測性能を達成するためのショートカットとして解答バイアスを記憶する傾向がある。
  論文  参考訳（メタデータ） (2023-08-15T13:56:29Z)
• Quiz-based Knowledge Tracing [61.9152637457605]
  知識追跡は、学習相互作用に基づいて個人の進化する知識状態を評価することを目的としている。 QKTは、既存の方法と比較して最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-04-05T12:48:42Z)
• Towards a Holistic Understanding of Mathematical Questions with Contrastive Pre-training [65.10741459705739]
  本稿では,数学的問題表現,すなわち QuesCo に対する対照的な事前学習手法を提案する。 まず、コンテンツレベルと構造レベルを含む2段階の質問強化を設計し、類似した目的で文字通り多様な質問ペアを生成する。 そこで我々は,知識概念の階層的情報を完全に活用するために,知識階層を意識したランク戦略を提案する。
  論文  参考訳（メタデータ） (2023-01-18T14:23:29Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Knowledge Tracing for Complex Problem Solving: Granular Rank-Based Tensor Factorization [6.077274947471846]
  グラニュラーRAnkに基づくTEnsor Factorization (GRATE) を用いた新しい学生知識追跡手法を提案する。 GRATEは、問題における生徒のパフォーマンスを予測し、それらに提示される概念を発見しながら集約できる学生の試みを選択する。 実世界の3つのデータセットに対する実験は、最先端のベースラインに比べてGRATEの性能が向上したことを示している。
  論文  参考訳（メタデータ） (2022-10-06T06:22:46Z)
• GIKT: A Graph-based Interaction Model for Knowledge Tracing [36.07642261246016]
  上記の問題に対処するために,知識追跡のためのグラフベースインタラクションモデルを提案する。 より具体的には、GIKTはグラフ畳み込みネットワーク(GCN)を使用して、質問スキル相関を実質的に組み込んでいる。 3つのデータセットの実験では、GIKTが新しい最先端のパフォーマンスを実現し、少なくとも1%の絶対AUC改善を実現している。
  論文  参考訳（メタデータ） (2020-09-13T12:50:32Z)
• HGKT: Introducing Hierarchical Exercise Graph for Knowledge Tracing [19.416373111152613]
  本稿では,HGKTと呼ばれる階層的グラフ知識追跡モデルを提案する。 具体的には,学習依存度をモデル化可能な階層的なエクササイズグラフを構築するために,問題スキーマの概念を導入する。 テスト段階では、知識の熟達と問題スキーマの推移を辿ることのできるK&S診断行列を提示する。
  論文  参考訳（メタデータ） (2020-06-13T07:09:52Z)

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。