論文の概要: Improving Interpretability of Deep Sequential Knowledge Tracing Models
with Question-centric Cognitive Representations
- arxiv url: http://arxiv.org/abs/2302.06885v1
- Date: Tue, 14 Feb 2023 08:14:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-15 16:02:25.035412
- Title: Improving Interpretability of Deep Sequential Knowledge Tracing Models
with Question-centric Cognitive Representations
- Title（参考訳）: 質問中心認知表現を用いた深層逐次知識トレースモデルの解釈性の向上
- Authors: Jiahao Chen, Zitao Liu, Shuyan Huang, Qiongqiong Liu, Weiqi Luo
- Abstract要約: 上記の課題に対処する質問中心の解釈可能なKTモデルQIKTを提案する。
提案したQIKTアプローチは、学生の知識状態の変動をきめ細かいレベルで明示的にモデル化する。
より優れたモデル解釈性を備えた予測精度で、幅広いディープラーニングベースのKTモデルより優れています。
- 参考スコア（独自算出の注目度）: 22.055683237994696
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge tracing (KT) is a crucial technique to predict students' future
performance by observing their historical learning processes. Due to the
powerful representation ability of deep neural networks, remarkable progress
has been made by using deep learning techniques to solve the KT problem. The
majority of existing approaches rely on the \emph{homogeneous question}
assumption that questions have equivalent contributions if they share the same
set of knowledge components. Unfortunately, this assumption is inaccurate in
real-world educational scenarios. Furthermore, it is very challenging to
interpret the prediction results from the existing deep learning based KT
models. Therefore, in this paper, we present QIKT, a question-centric
interpretable KT model to address the above challenges. The proposed QIKT
approach explicitly models students' knowledge state variations at a
fine-grained level with question-sensitive cognitive representations that are
jointly learned from a question-centric knowledge acquisition module and a
question-centric problem solving module. Meanwhile, the QIKT utilizes an item
response theory based prediction layer to generate interpretable prediction
results. The proposed QIKT model is evaluated on three public real-world
educational datasets. The results demonstrate that our approach is superior on
the KT prediction task, and it outperforms a wide range of deep learning based
KT models in terms of prediction accuracy with better model interpretability.
To encourage reproducible results, we have provided all the datasets and code
at \url{https://pykt.org/}.
- Abstract（参考訳）: 知識追跡(KT)は,過去の学習過程を観察することによって,学生の今後のパフォーマンスを予測する重要な手法である。
ディープニューラルネットワークの強力な表現能力のため、KT問題を解決するためにディープラーニング技術を用いて顕著な進歩を遂げた。
既存のアプローチの大部分は、同じ知識要素のセットを共有する場合、質問には同等の貢献があるという \emph{homogeneous question} の仮定に依存している。
残念ながら、この仮定は現実世界の教育シナリオでは不正確である。
さらに,既存のディープラーニングベースのKTモデルから予測結果を解釈することは極めて困難である。
そこで本稿では,上記の課題に対処する質問中心の解釈可能なKTモデルQIKTを提案する。
提案したQIKTアプローチは,質問中心の知識獲得モジュールと質問中心の問題解決モジュールから共同で学習した質問依存認知表現を用いて,学生の知識状態の変化をきめ細かなレベルで明示的にモデル化する。
一方、QIKTはアイテム応答理論に基づく予測層を用いて解釈可能な予測結果を生成する。
提案したQIKTモデルは,3つの公開実世界の教育データセットで評価される。
その結果,提案手法はKT予測タスクよりも優れており,より優れたモデル解釈性を備えた予測精度において,幅広い深層学習に基づくKTモデルよりも優れていた。
再現可能な結果を促進するため、私たちはすべてのデータセットとコードを \url{https://pykt.org/} で提供しました。
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) - A Question-centric Multi-experts Contrastive Learning Framework for Improving the Accuracy and Interpretability of Deep Sequential Knowledge Tracing Models [26.294808618068146]
知識追跡は,学生の今後の業績を予測する上で重要な役割を担っている。
ディープニューラルネットワーク(DNN)は、KT問題を解決する大きな可能性を示している。
しかし、KTプロセスのモデル化にディープラーニング技術を適用する際には、いくつかの重要な課題がある。
論文 参考訳（メタデータ） (2024-03-12T05:15:42Z) - Enhancing Deep Knowledge Tracing with Auxiliary Tasks [24.780533765606922]
本稿では,emphAT-DKTによる知識追跡モデルの予測性能の向上について述べる。
実世界の3つの教育データセットに関する総合的な実験を行い、提案手法を深部逐次KTモデルと非逐次モデルの両方と比較する。
論文 参考訳（メタデータ） (2023-02-14T08:21:37Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳（メタデータ） (2023-01-30T12:38:31Z) - A didactic approach to quantum machine learning with a single qubit [68.8204255655161]
我々は、データ再ロード技術を用いて、単一のキュービットで学習するケースに焦点を当てる。
我々は、Qiskit量子コンピューティングSDKを用いて、おもちゃと現実世界のデータセットに異なる定式化を実装した。
論文 参考訳（メタデータ） (2022-11-23T18:25:32Z) - Explaining and Improving Model Behavior with k Nearest Neighbor
Representations [107.24850861390196]
モデルの予測に責任のあるトレーニング例を特定するために, k 近傍表現を提案する。
我々は,kNN表現が学習した素因関係を明らかにするのに有効であることを示す。
以上の結果から,kNN手法により,直交モデルが逆入力に対してより堅牢であることが示唆された。
論文 参考訳（メタデータ） (2020-10-18T16:55:25Z) - Deep Knowledge Tracing with Learning Curves [0.9088303226909278]
本稿では,進化的知識追跡(CAKT)モデルを提案する。
このモデルは、3次元畳み込みニューラルネットワークを用いて、次の質問で同じ知識の概念を適用した学生の最近の経験を明示的に学習する。
CAKTは,既存のモデルと比較して,生徒の反応を予測する上で,最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2020-07-26T15:24:51Z) - Context-Aware Attentive Knowledge Tracing [21.397976659857793]
本稿では、フレキシブルアテンションに基づくニューラルネットワークモデルと、新しい解釈可能なモデルコンポーネントを結合した注意知識追跡手法を提案する。
AKTは、学習者の将来の応答と過去の応答に対する評価質問を関連付ける新しいモノトニックアテンションメカニズムを使用する。
AKT は,既存の KT 手法(場合によっては AUC で最大6% 以上)よりも,将来の学習者応答の予測に優れることを示す。
論文 参考訳（メタデータ） (2020-07-24T02:45:43Z) - 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) - Towards Interpretable Deep Learning Models for Knowledge Tracing [62.75876617721375]
本稿では,深層学習に基づく知識追跡(DLKT)モデルの解釈可能性問題に対処するポストホック手法を提案する。
具体的には、RNNに基づくDLKTモデルを解釈するために、レイヤワイズ関連伝搬法(LRP)を適用することに焦点をあてる。
実験結果から,DLKTモデルの予測をLRP法で解釈できることを示す。
論文 参考訳（メタデータ） (2020-05-13T04:03:21Z)
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。