論文の概要: Differentiating Student Feedbacks for Knowledge Tracing

• arxiv url: http://arxiv.org/abs/2212.14695v2
• Date: Thu, 13 Feb 2025 03:35:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-14 13:46:51.284709
• Title: Differentiating Student Feedbacks for Knowledge Tracing
• Title（参考訳）: 知識追跡のための学生のフィードバックの識別
• Authors: Jiajun Cui, Hong Qian, Chanjin Zheng, Lu Wang, Mo Yu, Wei Zhang,
• Abstract要約: 本稿では,訓練における評価に基づいて,様々な反応の寄与を再重み付けする枠組みを提案する。 また,判別応答の少ない精度を維持するために,適応的な予測スコア融合手法を導入する。
• 参考スコア（独自算出の注目度）: 28.669001606806525
• License:
• Abstract: Knowledge tracing (KT) is a crucial task in computer-aided education and intelligent tutoring systems, predicting students' performance on new questions from their responses to prior ones. An accurate KT model can capture a student's mastery level of different knowledge topics, as reflected in their predicted performance on different questions. This helps improve the learning efficiency by suggesting appropriate new questions that complement students' knowledge states. However, current KT models have significant drawbacks that they neglect the imbalanced discrimination of historical responses. A significant proportion of question responses provide limited information for discerning students' knowledge mastery, such as those that demonstrate uniform performance across different students. Optimizing the prediction of these cases may increase overall KT accuracy, but also negatively impact the model's ability to trace personalized knowledge states, especially causing a deceptive surge of performance. Towards this end, we propose a framework to reweight the contribution of different responses based on their discrimination in training. Additionally, we introduce an adaptive predictive score fusion technique to maintain accuracy on less discriminative responses, achieving proper balance between student knowledge mastery and question difficulty. Experimental results demonstrate that our framework enhances the performance of three mainstream KT methods on three widely-used datasets.
• Abstract（参考訳）: 知識追跡(KT)は,コンピュータ支援教育と知的教習システムにおいて重要な課題であり,学生の質問に対する新しい質問に対する評価を,それ以前の質問に対する回答から予測する。 正確なKTモデルは、異なる質問に対する予測されたパフォーマンスに反映されるように、学生の異なる知識トピックの熟達レベルをキャプチャすることができる。 これにより、生徒の知識状態を補完する適切な新しい質問を提案することで、学習効率を向上させることができる。 しかし、現在のKTモデルは、歴史的応答の不均衡な差別を無視しているという大きな欠点がある。 質問応答のかなりの割合は、異なる学生間で均一なパフォーマンスを示すものなど、学生の知識熟達を識別するための限られた情報を提供する。 これらのケースの予測を最適化することで、全体的なKT精度が向上するだけでなく、パーソナライズされた知識状態を追跡するモデルの能力にも悪影響を及ぼす。 この目的に向けて,訓練における評価に基づいて,異なる応答の寄与を再重み付けする枠組みを提案する。 さらに,学習者の知識習得と質問難易度を適切にバランスさせることにより,識別度を低く抑えるための適応的予測スコア融合手法を提案する。 実験により,本フレームワークは,広く使用されている3つのデータセット上での3つの主流KT手法の性能向上を実証した。

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。