論文の概要: Differentiating Student Feedbacks for Knowledge Tracing

• arxiv url: http://arxiv.org/abs/2212.14695v1
• Date: Fri, 16 Dec 2022 13:55:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-09 07:26:01.733864
• Title: Differentiating Student Feedbacks for Knowledge Tracing
• Title（参考訳）: 知識追跡のための学生フィードバックの差別化
• Authors: Jiajun Cui, Wei Zhang
• Abstract要約: 本稿では,知識追跡のためのDR4KTを提案する。 再重み付け後の低判別応答に対する高い予測精度を維持するため、DR4KTは識別対応スコア融合技術も導入している。
• 参考スコア（独自算出の注目度）: 5.176190855174938
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In computer-aided education and intelligent tutoring systems, knowledge tracing (KT) raises attention due to the development of data-driven learning methods, which aims to predict students' future performance given their past question response sequences to trace their knowledge states. However, current deep learning approaches only focus on enhancing prediction accuracy, but neglecting the discrimination imbalance of responses. That is, a considerable proportion of question responses are weak to discriminate students' knowledge states, but equally considered compared to other discriminative responses, thus hurting the ability of tracing students' personalized knowledge states. To tackle this issue, we propose DR4KT for Knowledge Tracing, which reweights the contribution of different responses according to their discrimination in training. For retaining high prediction accuracy on low discriminative responses after reweighting, DR4KT also introduces a discrimination-aware score fusion technique to make a proper combination between student knowledge mastery and the questions themselves. Comprehensive experimental results show that our DR4KT applied on four mainstream KT methods significantly improves their performance on three widely-used datasets.
• Abstract（参考訳）: コンピュータ支援教育と知的学習システムにおいて、知識追跡(KT)は、過去の質問応答列から学習者の将来のパフォーマンスを予測することを目的として、データ駆動学習手法の開発により注目される。 しかし、現在のディープラーニングアプローチでは、予測精度の向上にのみ焦点が当てられている。 つまり、質問応答のかなりの割合は、生徒の知識状態を識別するには弱いが、他の差別的反応と比較すると、生徒のパーソナライズされた知識状態を追跡できない。 この問題に対処するために、訓練における識別に応じて異なる応答の寄与を再重み付けする知識追跡のためのDR4KTを提案する。 再重み付け後の低判別応答に対する高い予測精度を維持するため、DR4KTは、学生の知識熟達と質問そのものを適切に組み合わせるための差別対応スコア融合技術も導入している。 総合的な実験結果から, DR4KTが4つの主流KT法に適用されたことにより, 広く使用されている3つのデータセットの性能が著しく向上することが示された。

関連論文リスト

• Personalized Knowledge Tracing through Student Representation Reconstruction and Class Imbalance Mitigation [32.52262417461651]
  知識追跡とは、学習過程を分析することによって、学生の将来のパフォーマンスを予測する手法である。 近年の研究は、強力なディープニューラルネットワークを活用することで大きな進歩を遂げている。 パーソナライズされた知識追跡のための新しいアプローチであるPKTを提案する。
  論文  参考訳（メタデータ） (2024-09-10T07:02:46Z)
• CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence [55.21518669075263]
  CURE4Recは、レコメンデーションアンラーニング評価のための最初の包括的なベンチマークである。 さまざまな影響レベルのデータに対する推薦公正性と堅牢性に対するアンラーニングの影響について検討する。
  論文  参考訳（メタデータ） (2024-08-26T16:21:50Z)
• Enhancing Knowledge Tracing with Concept Map and Response Disentanglement [5.201585012263761]
  本稿では,知識追跡(CRKT)モデルを強化するための概念マップ駆動型応答不整合法を提案する。 CRKTは、答えの選択を直接活用することでKTに恩恵を与える。 さらに,不整合表現を用いて,学生が選択しない選択肢から洞察を得るアンチョセン応答の新規利用について紹介する。
  論文  参考訳（メタデータ） (2024-08-23T11:25:56Z)
• 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)
• Interpretable Knowledge Tracing via Response Influence-based Counterfactual Reasoning [10.80973695116047]
  知識追跡は、コンピュータ支援教育と知的学習システムにおいて重要な役割を担っている。 現在のアプローチでは、より説明可能な予測を達成するために心理的影響を調査している。 RCKTは,新しい応答型インフルエンサー・インフルエンサー・インフルエンス・インフルエンサー・ナレッジ・トレース・フレームワークである。
  論文  参考訳（メタデータ） (2023-12-01T11:27:08Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• 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)
• Mind Your Outliers! Investigating the Negative Impact of Outliers on Active Learning for Visual Question Answering [71.15403434929915]
  視覚的質問応答のタスクにおいて、5つのモデルと4つのデータセットにまたがって、多種多様な能動的学習アプローチがランダム選択を上回りません。 アクティブな学習手法が好まれるが、モデルは学習に失敗する例の集まりである。 本研究では,アクティブ学習プールにおける集団外乱の減少に伴い,アクティブ学習サンプル効率が著しく向上することを示す。
  論文  参考訳（メタデータ） (2021-07-06T00:52:11Z)
• 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)
• Fairness in Semi-supervised Learning: Unlabeled Data Help to Reduce Discrimination [53.3082498402884]
  機械学習の台頭における投機は、機械学習モデルによる決定が公正かどうかである。 本稿では,未ラベルデータのラベルを予測するための擬似ラベリングを含む,前処理フェーズにおける公平な半教師付き学習の枠組みを提案する。 偏見、分散、ノイズの理論的分解分析は、半教師付き学習における差別の異なる源とそれらが公平性に与える影響を浮き彫りにする。
  論文  参考訳（メタデータ） (2020-09-25T05:48:56Z)

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。