論文の概要: MoocRadar: A Fine-grained and Multi-aspect Knowledge Repository for
Improving Cognitive Student Modeling in MOOCs
- arxiv url: http://arxiv.org/abs/2304.02205v1
- Date: Wed, 5 Apr 2023 03:36:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-06 13:38:27.680004
- Title: MoocRadar: A Fine-grained and Multi-aspect Knowledge Repository for
Improving Cognitive Student Modeling in MOOCs
- Title（参考訳）: MoocRadar:MOOCにおける認知的学生モデリングを改善するための細粒度多面的知識リポジトリ
- Authors: Jifan Yu, Mengying Lu, Qingyang Zhong, Zijun Yao, Shangqing Tu,
Zhengshan Liao, Xiaoya Li, Manli Li, Lei Hou, Hai-Tao Zheng, Juanzi Li, Jie
Tang
- Abstract要約: MoocRadarは,2,513のエクササイズ質問,5,600の知識概念,1200万以上の行動記録からなる,きめ細かい多面的知識リポジトリである。
具体的には,詳細な概念や認知ラベルの高品質かつ包括的アノテーションを保証する枠組みを提案する。
- 参考スコア（独自算出の注目度）: 39.22242712254446
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Student modeling, the task of inferring a student's learning characteristics
through their interactions with coursework, is a fundamental issue in
intelligent education. Although the recent attempts from knowledge tracing and
cognitive diagnosis propose several promising directions for improving the
usability and effectiveness of current models, the existing public datasets are
still insufficient to meet the need for these potential solutions due to their
ignorance of complete exercising contexts, fine-grained concepts, and cognitive
labels. In this paper, we present MoocRadar, a fine-grained, multi-aspect
knowledge repository consisting of 2,513 exercise questions, 5,600 knowledge
concepts, and over 12 million behavioral records. Specifically, we propose a
framework to guarantee a high-quality and comprehensive annotation of
fine-grained concepts and cognitive labels. The statistical and experimental
results indicate that our dataset provides the basis for the future
improvements of existing methods. Moreover, to support the convenient usage for
researchers, we release a set of tools for data querying, model adaption, and
even the extension of our repository, which are now available at
https://github.com/THU-KEG/MOOC-Radar.
- Abstract（参考訳）: 学生モデリングは、学生の学習特性を授業との相互作用を通じて推定するタスクであり、知的教育の根本的課題である。
知識追跡と認知診断の最近の試みでは、現在のモデルのユーザビリティと有効性を改善するためのいくつかの有望な方向が提案されているが、既存の公開データセットは、完全なエクササイズコンテキスト、きめ細かい概念、認知ラベルを欠いているため、これらの潜在的なソリューションの必要性を満たすには不十分である。
本稿では,2,513のエクササイズ質問,5,600の知識概念,1200万以上の行動記録からなる多視点知識リポジトリであるMoocRadarを紹介する。
具体的には,詳細な概念や認知ラベルの高品質かつ包括的アノテーションを保証する枠組みを提案する。
統計的および実験的結果は,我々のデータセットが,既存手法の今後の改良の基盤となることを示唆している。
さらに、研究者にとって便利な利用法をサポートするために、我々はデータクエリ、モデル適応、さらにはリポジトリの拡張のための一連のツールをリリースします。
関連論文リスト
- Resilience in Knowledge Graph Embeddings [1.90894751866253]
我々は、一般化、性能の整合性、分散適応、堅牢性といったいくつかの要因を含む、レジリエンスを一元的に定義する。
調査の結果,既存の研究のほとんどはレジリエンス,すなわち堅牢性に重点を置いていることがわかった。
論文 参考訳（メタデータ） (2024-10-28T16:04:22Z) - A Survey of Models for Cognitive Diagnosis: New Developments and Future Directions [66.40362209055023]
本研究の目的は,認知診断の現在のモデルについて,機械学習を用いた新たな展開に注目した調査を行うことである。
モデル構造,パラメータ推定アルゴリズム,モデル評価方法,適用例を比較して,認知診断モデルの最近の傾向を概観する。
論文 参考訳（メタデータ） (2024-07-07T18:02:00Z) - Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。
また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
論文 参考訳（メタデータ） (2024-05-13T14:44:22Z) - Enhancing Cognitive Diagnosis using Un-interacted Exercises: A
Collaboration-aware Mixed Sampling Approach [22.696866034847343]
本稿では,CMES(Collaborative-Aware Mixed Exercise Sampling)フレームワークを提案する。
CMESフレームワークは、相互作用のない知識概念と関連付けられた相互作用のない演習に存在する情報を効果的に活用することができる。
また,学生が生成したエクササイズに対する反応を調整するためのランキングベースの擬似フィードバックモジュールを提案する。
論文 参考訳（メタデータ） (2023-12-15T07:44:10Z) - Recognizing Unseen Objects via Multimodal Intensive Knowledge Graph
Propagation [68.13453771001522]
画像の領域と対応するセマンティック埋め込みとをマッチングする多モード集中型ZSLフレームワークを提案する。
我々は、大規模な実世界のデータに基づいて、広範囲な実験を行い、そのモデルを評価する。
論文 参考訳（メタデータ） (2023-06-14T13:07:48Z) - What Makes Good Contrastive Learning on Small-Scale Wearable-based
Tasks? [59.51457877578138]
本研究では,ウェアラブル型行動認識タスクにおけるコントラスト学習について検討する。
本稿では,PyTorchライブラリのtextttCL-HAR について述べる。
論文 参考訳（メタデータ） (2022-02-12T06:10:15Z) - Ex-Model: Continual Learning from a Stream of Trained Models [12.27992745065497]
連続的な学習システムは、訓練されたモデルの形式で圧縮された情報の可用性を活用するべきであると論じる。
エージェントが生データの代わりに以前に訓練されたモデルのシーケンスから学習する「Ex-Model Continual Learning」(Ex-Model Continual Learning)という新しいパラダイムを導入し、形式化する。
論文 参考訳（メタデータ） (2021-12-13T09:46:16Z) - 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) - Knowledge-driven Data Construction for Zero-shot Evaluation in
Commonsense Question Answering [80.60605604261416]
本稿では,共通認識課題にまたがるゼロショット質問応答のための新しいニューラルシンボリック・フレームワークを提案する。
言語モデル、トレーニング体制、知識ソース、データ生成戦略のセットを変えて、タスク間の影響を測定します。
個別の知識グラフは特定のタスクに適しているが、グローバルな知識グラフはさまざまなタスクに対して一貫した利得をもたらす。
論文 参考訳（メタデータ） (2020-11-07T22:52:21Z) - Dynamic Knowledge embedding and tracing [18.717482292051788]
本稿では,行列分解の手法と最近のリカレントニューラルネットワーク(RNN)の進歩を組み合わせた知識追跡手法を提案する。
提案するemphDynEmbフレームワークは,概念やスキルのタグ情報を使わずに,学生の知識の追跡を可能にする。
論文 参考訳（メタデータ） (2020-05-18T21:56:42Z)
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。