論文の概要: A Probabilistic Generative Model for Tracking Multi-Knowledge Concept
Mastery Probability
- arxiv url: http://arxiv.org/abs/2302.08673v1
- Date: Fri, 17 Feb 2023 03:50:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-20 15:57:51.234750
- Title: A Probabilistic Generative Model for Tracking Multi-Knowledge Concept
Mastery Probability
- Title(参考訳): 多知識概念熟達確率追跡のための確率的生成モデル
- Authors: Hengyu Liu, Tiancheng Zhang, Fan Li, Minghe Yu and Ge Yu
- Abstract要約: InTerpretable pRobAbilistiC gEnerative moDel (TRACED)を提案する。
実世界の4つのデータセットを3つの知識駆動タスクで実験する。
実験の結果,TRACEDは学生の今後の成績を予測する上で,既存の知識追跡手法よりも優れていた。
- 参考スコア(独自算出の注目度): 8.920928164556171
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge tracing aims to track students' knowledge status over time to
predict students' future performance accurately. Markov chain-based knowledge
tracking (MCKT) models can track knowledge concept mastery probability over
time. However, as the number of tracked knowledge concepts increases, the time
complexity of MCKT predicting student performance increases exponentially (also
called explaining away problem. In addition, the existing MCKT models only
consider the relationship between students' knowledge status and problems when
modeling students' responses but ignore the relationship between knowledge
concepts in the same problem. To address these challenges, we propose an
inTerpretable pRobAbilistiC gEnerative moDel (TRACED), which can track
students' numerous knowledge concepts mastery probabilities over time. To solve
\emph{explain away problem}, we design Long and Short-Term Memory (LSTM)-based
networks to approximate the posterior distribution, predict students' future
performance, and propose a heuristic algorithm to train LSTMs and probabilistic
graphical model jointly. To better model students' exercise responses, we
proposed a logarithmic linear model with three interactive strategies, which
models students' exercise responses by considering the relationship among
students' knowledge status, knowledge concept, and problems. We conduct
experiments with four real-world datasets in three knowledge-driven tasks. The
experimental results show that TRACED outperforms existing knowledge tracing
methods in predicting students' future performance and can learn the
relationship among students, knowledge concepts, and problems from students'
exercise sequences. We also conduct several case studies. The case studies show
that TRACED exhibits excellent interpretability and thus has the potential for
personalized automatic feedback in the real-world educational environment.
- Abstract(参考訳): 知識追跡は、学生の将来のパフォーマンスを正確に予測するために、時間とともに学生の知識状態を追跡することを目的としている。
マルコフ連鎖に基づく知識追跡(MCKT)モデルは、時間とともに知識概念の熟達確率を追跡することができる。
しかし、追跡された知識概念の数が増加すると、学生のパフォーマンスを予測するmcktの時間複雑性が指数関数的に増加する(" explains away problem"とも呼ばれる)。
また,既存のmcktモデルは,生徒の反応をモデル化する際に,生徒の知識状態と問題との関係のみを考慮し,同じ問題における知識概念の関係を無視する。
これらの課題に対処するため, 学生の知識概念の習得度を時間とともに追跡する, inTerpretable pRobAbilistiC gEnerative moDel (TRACED)を提案する。
そこで我々は,Long and Short-Term Memory(LSTM)ベースのネットワークを設計し,後部分布を近似し,将来の性能を予測するとともに,LSTMと確率的グラフィカルモデルを併用して学習するためのヒューリスティックアルゴリズムを提案する。
学生の運動反応をモデル化するために,学生の知識状況,知識概念,問題との関係を考慮し,学生の運動応答をモデル化する3つのインタラクティブ戦略を用いた対数線形モデルを提案した。
実世界の4つのデータセットを3つの知識駆動タスクで実験する。
実験の結果,TRACEDは学生の今後のパフォーマンスを予測するために既存の知識追跡手法よりも優れており,学生間の関係,知識概念,課題を学生の運動シーケンスから学習できることがわかった。
いくつかのケーススタディも行います。
このケーススタディでは,TRACEDは優れた解釈可能性を示し,現実の教育環境においてパーソナライズされた自動フィードバックの可能性を示した。
関連論文リスト
- A Question-centric Multi-experts Contrastive Learning Framework for
Improving the Accuracy and Interpretability of Deep Sequential Knowledge
Tracing Models [28.21027904008359]
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) - Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
得られた知識を有向非巡回因果グラフの形で公開することを提案する。
また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。
提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
論文 参考訳(メタデータ) (2023-09-30T20:59:42Z) - Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。
既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。
我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
論文 参考訳(メタデータ) (2023-08-29T07:15:57Z) - 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) - Anti-Retroactive Interference for Lifelong Learning [65.50683752919089]
我々は脳のメタラーニングと連想機構に基づく生涯学習のパラダイムを設計する。
知識の抽出と知識の記憶という2つの側面から問題に取り組む。
提案した学習パラダイムが,異なるタスクのモデルを同じ最適に収束させることができることを理論的に分析した。
論文 参考訳(メタデータ) (2022-08-27T09:27:36Z) - Causal Reasoning Meets Visual Representation Learning: A Prospective
Study [117.08431221482638]
解釈可能性の欠如、堅牢性、分布外一般化が、既存の視覚モデルの課題となっている。
人間レベルのエージェントの強い推論能力にインスパイアされた近年では、因果推論パラダイムの開発に多大な努力が注がれている。
本稿では,この新興分野を包括的に概観し,注目し,議論を奨励し,新たな因果推論手法の開発の急激さを先導することを目的とする。
論文 参考訳(メタデータ) (2022-04-26T02:22:28Z) - Interpretable Knowledge Tracing: Simple and Efficient Student Modeling
with Causal Relations [21.74631969428855]
解釈可能な知識追跡(英: Interpretable Knowledge Tracing, IKT)は、3つの有意義な潜在機能に依存する単純なモデルである。
IKTの将来の学生成績予測は、Tree-Augmented Naive Bayes (TAN) を用いて行われる。
IKTは、現実世界の教育システムにおいて、因果推論を用いた適応的でパーソナライズされた指示を提供する大きな可能性を秘めている。
論文 参考訳(メタデータ) (2021-12-15T19:05:48Z) - Deep Graph Memory Networks for Forgetting-Robust Knowledge Tracing [5.648636668261282]
本稿では,新しい知識追跡モデル,すなわちemphDeep Graph Memory Network(DGMN)を提案する。
このモデルでは、忘れる動作を捉えるために、注意記憶構造に忘れるゲーティング機構を組み込む。
このモデルは動的潜在概念グラフから潜在概念間の関係を学習する能力を有する。
論文 参考訳(メタデータ) (2021-08-18T12:04:10Z) - Pre-Trained Models: Past, Present and Future [126.21572378910746]
大規模事前訓練モデル(PTM)は近年大きな成功を収め、人工知能(AI)分野におけるマイルストーンとなった。
知識を巨大なパラメータに格納し、特定のタスクを微調整することで、巨大なパラメータに暗黙的にエンコードされた豊富な知識は、さまざまな下流タスクの恩恵を受けることができる。
AIコミュニティが、モデルをスクラッチから学習するのではなく、下流タスクのバックボーンとしてPTMを採用することは、今、コンセンサスになっている。
論文 参考訳(メタデータ) (2021-06-14T02:40:32Z) - 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) - A Competence-aware Curriculum for Visual Concepts Learning via Question
Answering [95.35905804211698]
本稿では,視覚概念学習のための質問応答型カリキュラムを提案する。
視覚概念を学習するためのニューラルシンボリックな概念学習者と学習プロセスを導くための多次元項目応答理論(mIRT)モデルを設計する。
CLEVRの実験結果から,コンピテンスを意識したカリキュラムにより,提案手法は最先端のパフォーマンスを実現することが示された。
論文 参考訳(メタデータ) (2020-07-03T05:08:09Z)
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。