論文の概要: Adaptive Learning Path Navigation Based on Knowledge Tracing and
Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2305.04475v1
- Date: Mon, 8 May 2023 05:54:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-09 15:36:11.903652
- Title: Adaptive Learning Path Navigation Based on Knowledge Tracing and
Reinforcement Learning
- Title(参考訳): 知識追跡と強化学習に基づく適応学習経路ナビゲーション
- Authors: Jyun-Yi Chen, Saeed Saeedvand and I-Wei Lai
- Abstract要約: Adaptive Learning Path Navigation (ALPN) システムは、Eラーニングシステム内で適応的な学習パスを作成するためのスケーラブルなアプローチである。
ALPNシステムは,学習目標,時間制約,知識背景といったパーソナライズパラメータを考慮し,学生のニーズを満たす。
- 参考スコア(独自算出の注目度): 2.0263791972068628
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces the Adaptive Learning Path Navigation (ALPN) system, a
scalable approach for creating adaptive learning paths within E-learning
systems. The ALPN system employs an attention-based Knowledge Tracing (AKT)
model to evaluate students' knowledge states and a decision-making model using
Proximal Policy Optimization (PPO) to suggest customized learning materials.
The proposed system accommodates students' needs by considering personalization
parameters such as learning objectives, time constraints, and knowledge
backgrounds. Through an iterative process of recommendation and knowledge state
updating, the ALPN system produces highly adaptive learning paths. Experimental
results reveal the outstanding performance of the proposed system, providing
good insights into the future development of E-learning systems.
- Abstract(参考訳): 本稿では,適応学習パス作成のためのスケーラブルな手法であるadaptive learning path navigation (alpn)システムを提案する。
ALPNシステムは、学生の知識状態を評価するために注意に基づく知識追跡(AKT)モデルと、PPO(Proximal Policy Optimization)を用いた意思決定モデルを用いて、カスタマイズされた学習教材を提案する。
提案システムは,学習目的,時間制約,知識背景といったパーソナライズパラメータを考慮し,学生のニーズを満たす。
ALPNシステムは、リコメンデーションと知識状態更新の反復的なプロセスを通じて、高度に適応的な学習パスを生成する。
実験の結果,提案システムの優れた性能が明らかとなり,E-ラーニングシステムの今後の発展に関する優れた知見が得られた。
関連論文リスト
- BAL: Balancing Diversity and Novelty for Active Learning [53.289700543331925]
多様な不確実なデータのバランスをとるために適応的なサブプールを構築する新しいフレームワークであるBalancing Active Learning (BAL)を導入する。
我々のアプローチは、広く認識されているベンチマークにおいて、確立されたすべてのアクティブな学習方法より1.20%優れています。
論文 参考訳(メタデータ) (2023-12-26T08:14:46Z) - PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。
一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。
一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文 参考訳(メタデータ) (2023-09-13T17:55:11Z) - Learning Objective-Specific Active Learning Strategies with Attentive
Neural Processes [72.75421975804132]
学び アクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。
能動学習問題の対称性と独立性を利用した新しい分類法を提案する。
私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
論文 参考訳(メタデータ) (2023-09-11T14:16:37Z) - Towards Scalable Adaptive Learning with Graph Neural Networks and
Reinforcement Learning [0.0]
学習経路のパーソナライズに関する問題に対して,フレキシブルでスケーラブルなアプローチを導入する。
我々のモデルはグラフニューラルネットワークに基づく逐次レコメンデーションシステムである。
以上の結果から,小規模データ体制における適切なレコメンデーションを学習できることが示唆された。
論文 参考訳(メタデータ) (2023-05-10T18:16:04Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳(メタデータ) (2022-10-02T05:03:38Z) - Application of Deep Self-Attention in Knowledge Tracing [2.5852720579998336]
本稿では,中国の多くの大学の学生が使用しているオンラインアセスメントシステムであるPTAのデータをもとに,Deep Self-Attentive Knowledge Tracing (DSAKT)を提案する。
PTAのデータの実験では、DSAKTは知識追跡において他のモデルよりも2.1%向上している。
論文 参考訳(メタデータ) (2021-05-17T14:45:38Z) - Meta-learning the Learning Trends Shared Across Tasks [123.10294801296926]
グラディエントベースのメタ学習アルゴリズムは、限られたデータで新しいタスクに素早く適応する。
既存のメタ学習アプローチは、適応中の現在のタスク情報にのみ依存する。
パターン認識型メタラーニング手法を提案する。
論文 参考訳(メタデータ) (2020-10-19T08:06:47Z) - Fast Few-Shot Classification by Few-Iteration Meta-Learning [173.32497326674775]
数ショット分類のための高速な最適化に基づくメタラーニング手法を提案する。
我々の戦略はメタ学習において学習すべき基礎学習者の目的の重要な側面を可能にする。
我々は、我々のアプローチの速度と効果を実証し、総合的な実験分析を行う。
論文 参考訳(メタデータ) (2020-10-01T15:59:31Z) - AutoLR: An Evolutionary Approach to Learning Rate Policies [2.3577368017815705]
この研究は、特定のニューラルネットワークアーキテクチャのためのラーニングレートスケジューリングを進化させるフレームワークであるAutoLRを提示する。
その結果, 確立された基準線よりも, 特定の政策を用いて実施した訓練が効率的であることが示唆された。
論文 参考訳(メタデータ) (2020-07-08T16:03:44Z) - META-Learning Eligibility Traces for More Sample Efficient Temporal
Difference Learning [2.0559497209595823]
そこで本稿では,状態依存的な方法で,可視性トレースパラメータを調整するためのメタラーニング手法を提案する。
この適応は、更新対象の分布情報をオンラインで学習する補助学習者の助けを借りて達成される。
提案手法は,いくつかの前提条件下では,全体の目標誤差を最小限に抑えて,更新対象の全体的な品質を改善する。
論文 参考訳(メタデータ) (2020-06-16T03:41:07Z) - Deep Reinforcement Learning for Adaptive Learning Systems [4.8685842576962095]
学習者の潜在特性に基づいて,個別化学習計画の探索方法の問題点を定式化する。
最適な学習ポリシーを効果的に見つけることができるモデルフリーの深層強化学習アルゴリズムを適用した。
また,ニューラルネットワークを用いて学習者の学習過程をエミュレートする遷移モデル推定器を開発した。
論文 参考訳(メタデータ) (2020-04-17T18:04:03Z)
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。