論文の概要: Attentive Q-Matrix Learning for Knowledge Tracing

• arxiv url: http://arxiv.org/abs/2304.08168v1
• Date: Thu, 6 Apr 2023 12:31:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-23 04:34:47.498389
• Title: Attentive Q-Matrix Learning for Knowledge Tracing
• Title（参考訳）: 知識追跡のための注意的Q行列学習
• Authors: Zhongfeng Jia, Wei Su, Jiamin Liu, Wenli Yue
• Abstract要約: エンド・ツー・エンド・エンド・スタイルのモデルとして,Q-matrix-based Attentive Knowledge Tracing (QAKT)を提案する。 QAKTは、問題を階層的にモデル化し、生徒のシーケンスに基づいてq行列を効率的に学習することができる。 さらなる実験の結果、QAKTによって学習されたq行列は、人間の専門家によってラベル付けされたものよりも非常にモデルに依存し、情報に十分であることが示唆された。
• 参考スコア（独自算出の注目度）: 4.863310073296471
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As the rapid development of Intelligent Tutoring Systems (ITS) in the past decade, tracing the students' knowledge state has become more and more important in order to provide individualized learning guidance. This is the main idea of Knowledge Tracing (KT), which models students' mastery of knowledge concepts (KCs, skills needed to solve a question) based on their past interactions on platforms. Plenty of KT models have been proposed and have shown remarkable performance recently. However, the majority of these models use concepts to index questions, which means the predefined skill tags for each question are required in advance to indicate the KCs needed to answer that question correctly. This makes it pretty hard to apply on large-scale online education platforms where questions are often not well-organized by skill tags. In this paper, we propose Q-matrix-based Attentive Knowledge Tracing (QAKT), an end-to-end style model that is able to apply the attentive method to scenes where no predefined skill tags are available without sacrificing its performance. With a novel hybrid embedding method based on the q-matrix and Rasch model, QAKT is capable of modeling problems hierarchically and learning the q-matrix efficiently based on students' sequences. Meanwhile, the architecture of QAKT ensures that it is friendly to questions associated with multiple skills and has outstanding interpretability. After conducting experiments on a variety of open datasets, we empirically validated that our model shows similar or even better performance than state-of-the-art KT methods. Results of further experiments suggest that the q-matrix learned by QAKT is highly model-agnostic and more information-sufficient than the one labeled by human experts, which could help with the data mining tasks in existing ITSs.
• Abstract（参考訳）: 過去10年間の知的学習システム(ITS)の急速な発展に伴い、個別の学習指導を提供するため、学生の知識状態の追跡がますます重要になっている。 これは、学生が過去のプラットフォーム上でのインタラクションに基づいて知識概念(KC、問題解決に必要なスキル)をモデル化する知識追跡(KT)の主案である。 多くのKTモデルが提案され、最近顕著な性能を示している。 しかし、これらのモデルの多くは質問をインデックスするために概念を使用する。つまり、質問に対して事前に定義されたスキルタグは、その質問に正しく答えるために必要なkcsを示すために事前に必要となる。 これは、質問がスキルタグによってうまく整理されていない場合が多い大規模なオンライン教育プラットフォームに適用するのは非常に困難である。 本稿では,q-matrix-based attentive knowledge tracing(qakt)を提案する。q-matrix-based attentive knowledge tracing(qakt)は,その性能を犠牲にすることなく,事前に定義されたスキルタグが存在しないシーンに注意手法を適用することができるエンドツーエンドのスタイルモデルである。 QAKTは,Q-matrixとRaschモデルに基づく新しいハイブリッド埋め込み手法により,問題を階層的にモデル化し,q-matrixを学生のシーケンスに基づいて効率的に学習することができる。 一方、QAKTのアーキテクチャは、複数のスキルに関連する質問に親しみやすいことを保証する。 様々なオープンデータセットの実験を行った結果、我々のモデルは最先端のKT手法と同じような、あるいはそれ以上のパフォーマンスを示すことを実証的に検証した。 さらなる実験の結果、QAKTが学習したq行列は、既存のITSのデータマイニングタスクに役立つ、人間の専門家によってラベル付けされたものよりも非常にモデルに依存し、情報に十分であることが示唆された。

関連論文リスト

• KBAlign: Efficient Self Adaptation on Specific Knowledge Bases [75.78948575957081]
  大規模言語モデル(LLM)は通常、知識材料を瞬時に活用するために、検索強化世代に依存している。 本稿では,知識ベースを含む下流タスクへの効率的な適応を目的としたKBAlignを提案する。 提案手法は,Q&Aペアやリビジョン提案などの自己注釈付きデータを用いて反復学習を行い,モデルが知識内容を効率的に把握できるようにする。
  論文  参考訳（メタデータ） (2024-11-22T08:21:03Z)
• 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)
• Knowledge Tagging System on Math Questions via LLMs with Flexible Demonstration Retriever [48.5585921817745]
  大きな言語モデル(LLM)は知識タグ付けタスクを自動化するために使われる。 算数問題における知識タグ付けタスクに対するゼロショットと少数ショットの結果の強い性能を示す。 強化学習に基づくデモレトリバーの提案により,異なるサイズのLLMの潜在能力を活用できた。
  論文  参考訳（メタデータ） (2024-06-19T23:30:01Z)
• 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)
• APGKT: Exploiting Associative Path on Skills Graph for Knowledge Tracing [8.751819506454964]
  我々は,スキルモードを利用したKTモデルAPGKTを提案する。 課題に関わるスキルのサブグラフトポロジを抽出し、スキルの難易度を組み合わせ、エンコーディングによるスキルモードを得る。 本研究では,学生の今後の回答能力を予測するために,高次のスキル認知状態を得る。
  論文  参考訳（メタデータ） (2022-10-05T17:08:18Z)
• Prerequisite-driven Q-matrix Refinement for Learner Knowledge Assessment: A Case Study in Online Learning Context [2.221779410386775]
  本稿では,学習者知識評価(PQRLKA)のための前提条件駆動型Q行列改善フレームワークを提案する。 学習者の応答データから前提条件を推測し,それを用いて専門家定義Q行列を洗練する。 改良されたQ行列に基づいて,Metapath2Vec拡張畳み込み表現法を提案し,各項目の包括的表現を求める。
  論文  参考訳（メタデータ） (2022-08-24T08:44:08Z)
• KILT: a Benchmark for Knowledge Intensive Language Tasks [102.33046195554886]
  知識集約型言語タスク(KILT)のベンチマークを示す。 KILTのすべてのタスクはウィキペディアのスナップショットと同じだ。 共有密度ベクトル指数とSeq2seqモデルとの結合が強いベースラインであることが分かる。
  論文  参考訳（メタデータ） (2020-09-04T15:32:19Z)
• 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)
• KACC: A Multi-task Benchmark for Knowledge Abstraction, Concretization and Completion [99.47414073164656]
  包括的知識グラフ(KG)は、インスタンスレベルのエンティティグラフとオントロジーレベルの概念グラフを含む。 2ビューのKGは、知識の抽象化、包括化、完成に関する人間の能力を「シミュレーション」するためのモデルのためのテストベッドを提供する。 我々は,データセットのスケール,タスクカバレッジ,難易度の観点から,既存のベンチマークを改善した統一KGベンチマークを提案する。
  論文  参考訳（メタデータ） (2020-04-28T16:21:57Z)

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。