論文の概要: Attentive Q-Matrix Learning for Knowledge Tracing
- arxiv url: http://arxiv.org/abs/2304.08168v2
- Date: Wed, 17 May 2023 07:38:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-18 19:40:32.395046
- 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
- Long-Tailed Question Answering in an Open World [46.67715607552547]
我々は、Long-Tailed QA (OLTQA) を、長い尾の分散データから学習するものとして定義する。
OLTQAモデルを提案し,頭,尾,目立たないタスク間の知識共有を促進する。
大規模なOLTQAデータセットでは、我々のモデルは一貫して最先端のモデルよりも優れています。
論文 参考訳(メタデータ) (2023-05-11T04:28:58Z) - Utilizing Background Knowledge for Robust Reasoning over Traffic
Situations [63.45021731775964]
我々は、インテリジェントトランスポーテーションの補完的な研究側面である交通理解に焦点を当てる。
本研究は,豊富なコモンセンス知識を前提として,テキストベースの手法とデータセットを対象とする。
交通状況に対するゼロショットQAには3つの知識駆動アプローチを採用しています。
論文 参考訳(メタデータ) (2022-12-04T09:17:24Z) - 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) - Lifelong Learning for Question Answering with Hierarchical Prompts [65.70781233723126]
Dianaは動的アーキテクチャベースの生涯QAモデルで、一連のQAタスクを学習しようとする。
階層的に整理された4つのプロンプトは、異なる粒度からQA知識を取得するためにダイアナで使用される。
実験では、Dianaは、特に目に見えないタスクの処理において、最先端のQAモデルよりも優れています。
論文 参考訳(メタデータ) (2022-08-31T02:38:16Z) - 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) - Why Machine Reading Comprehension Models Learn Shortcuts? [56.629192589376046]
トレーニングデータにおけるショートカットの質問の大部分が、モデルが過度にショートカットのトリックに依存している、と私たちは主張する。
徹底的な実証分析により、MRCモデルは挑戦的な質問よりも早くショートカットの質問を学習する傾向が示されている。
論文 参考訳(メタデータ) (2021-06-02T08:43:12Z) - 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) - 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) - 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) - What Does My QA Model Know? Devising Controlled Probes using Expert
Knowledge [36.13528043657398]
我々は,現在最先端のQAモデルが,単語定義や一般的な分類学的推論に関する一般的な知識を持っているかどうかを検討する。
さまざまなタイプの専門家の知識からデータセットを自動的に構築するための方法論を使用します。
評価の結果,変圧器を用いたQAモデルはすでにある種の構造的語彙的知識を認識できないことが確認された。
論文 参考訳(メタデータ) (2019-12-31T15:05:54Z)
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。