論文の概要: Knowledge Graph Enhanced Intelligent Tutoring System Based on Exercise
Representativeness and Informativeness
- arxiv url: http://arxiv.org/abs/2307.15076v1
- Date: Sat, 15 Jul 2023 08:36:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-06 11:33:42.175869
- Title: Knowledge Graph Enhanced Intelligent Tutoring System Based on Exercise
Representativeness and Informativeness
- Title（参考訳）: エクササイズ代表性と情報性に基づく知識グラフ強化知的指導システム
- Authors: Linqing Li and Zhifeng Wang
- Abstract要約: 本稿では,知識グラフ・エクササイズ表現と情報表現の枠組みを提案する。
このフレームワークは、4つの複雑なコンポーネントと、ニューラル注意認知診断モデルと呼ばれる新しい認知診断モデルで構成されている。
- 参考スコア（独自算出の注目度）: 1.0152838128195467
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Presently, knowledge graph-based recommendation algorithms have garnered
considerable attention among researchers. However, these algorithms solely
consider knowledge graphs with single relationships and do not effectively
model exercise-rich features, such as exercise representativeness and
informativeness. Consequently, this paper proposes a framework, namely the
Knowledge-Graph-Exercise Representativeness and Informativeness Framework, to
address these two issues. The framework consists of four intricate components
and a novel cognitive diagnosis model called the Neural Attentive cognitive
diagnosis model. These components encompass the informativeness component,
exercise representation component, knowledge importance component, and exercise
representativeness component. The informativeness component evaluates the
informational value of each question and identifies the candidate question set
that exhibits the highest exercise informativeness. Furthermore, the skill
embeddings are employed as input for the knowledge importance component. This
component transforms a one-dimensional knowledge graph into a multi-dimensional
one through four class relations and calculates skill importance weights based
on novelty and popularity. Subsequently, the exercise representativeness
component incorporates exercise weight knowledge coverage to select questions
from the candidate question set for the tested question set. Lastly, the
cognitive diagnosis model leverages exercise representation and skill
importance weights to predict student performance on the test set and estimate
their knowledge state. To evaluate the effectiveness of our selection strategy,
extensive experiments were conducted on two publicly available educational
datasets. The experimental results demonstrate that our framework can recommend
appropriate exercises to students, leading to improved student performance.
- Abstract（参考訳）: 近年,知識グラフに基づく推薦アルゴリズムが研究者の間で注目を集めている。
しかし、これらのアルゴリズムは単一の関係を持つ知識グラフのみを考慮し、運動代表性や情報性といった運動豊富な特徴を効果的にモデル化しない。
そこで本稿では,この2つの課題に対処すべく,知識グラフによる代表性と情報性フレームワークを提案する。
このフレームワークは、4つの複雑なコンポーネントとニューラル注意認知診断モデルと呼ばれる新しい認知診断モデルで構成されている。
これらの構成要素は、情報化成分、運動表現成分、知識重要成分、運動代表成分を含む。
情報度成分は、各質問の情報値を評価し、最も高い運動情報度を示す候補質問セットを特定する。
さらに、知識重要成分の入力として、スキル埋め込みを用いる。
この成分は、一次元知識グラフを4つのクラス関係を通して多次元知識グラフに変換し、新しさと人気度に基づいてスキル重要度を算出する。
その後、エクササイズ代表性成分は、テストされた質問セットの候補質問セットから質問を選択するために、エクササイズ重み知識カバレッジを組み込む。
最後に、認知診断モデルは、運動表現とスキル重要度を利用して、テストセット上での学生のパフォーマンスを予測し、その知識状態を推定する。
選択戦略の有効性を評価するため,2つの公開教育データセットに対して広範な実験を行った。
実験の結果,本フレームワークは学生に適切なエクササイズを推奨できることが示され,生徒のパフォーマンスが向上した。
関連論文リスト
- Knowledge Graph Extension by Entity Type Recognition [2.8231106019727195]
本稿では,エンティティ型認識に基づく知識グラフ拡張フレームワークを提案する。
このフレームワークは、異なる知識グラフ間でスキーマとエンティティを整列させることにより、高品質な知識抽出を実現することを目的としている。
論文 参考訳（メタデータ） (2024-05-03T19:55:03Z) - 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) - PDT: Pretrained Dual Transformers for Time-aware Bipartite Graphs [30.71271242109731]
本稿では,ユーザ側空間とコンテンツ側空間の双方向マッピングを学習する事前学習手法を提案する。
提案手法を推薦課題として評価する。
論文 参考訳（メタデータ） (2023-06-02T20:38:43Z) - Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。
提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文 参考訳（メタデータ） (2022-03-11T02:37:35Z) - Knowledge Graph Augmented Network Towards Multiview Representation
Learning for Aspect-based Sentiment Analysis [96.53859361560505]
本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。
KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。
3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
論文 参考訳（メタデータ） (2022-01-13T08:25:53Z) - Graph-based Exercise- and Knowledge-Aware Learning Network for Student
Performance Prediction [8.21303828329009]
学生のスコアを正確に予測するためのグラフベースのエクササイズ・アンド・ナレッジ・アウェアラーニングネットワークを提案する。
我々は,エクササイズとナレッジ概念の熟達度を学習し,エクササイズとナレッジ概念の2倍の効果をモデル化する。
論文 参考訳（メタデータ） (2021-06-01T06:53:17Z) - Affect Analysis in-the-wild: Valence-Arousal, Expressions, Action Units
and a Unified Framework [83.21732533130846]
Aff-Wild と Aff-Wild2 の2つである。
これは、これらのデータベースで訓練された深層ニューラルネットワークの2つのクラスの設計を示す。
インパクト認識を共同で学び、効果的に一般化し、実行することができる新しいマルチタスクおよび全体主義のフレームワークが提示されます。
論文 参考訳（メタデータ） (2021-03-29T17:36:20Z) - A Comprehensive Survey on Knowledge Graph Entity Alignment via
Representation Learning [39.401580902256626]
本稿では,代表的エンティティアライメント手法に関するチュートリアル型調査を行う。
既存のベンチマークデータセットの制限に対処する2つのデータセットを提案する。
提案するデータセットを用いて広範な実験を行う。
論文 参考訳（メタデータ） (2021-03-28T06:23:48Z) - 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) - All About Knowledge Graphs for Actions [82.39684757372075]
ゼロショットと少数ショットのアクション認識に使用できる知識グラフ(KG)の理解を深める。
KGsの3つの異なる構成機構について検討した。
異なる実験装置に対する異なるKGの影響を広範囲に解析する。
論文 参考訳（メタデータ） (2020-08-28T01:44:01Z) - A Survey on Knowledge Graphs: Representation, Acquisition and
Applications [89.78089494738002]
我々は,1)知識グラフ表現学習,2)知識獲得と完成,3)時間的知識グラフ,および4)知識認識アプリケーションに関する研究トピックをレビューする。
知識獲得、特に知識グラフの完成、埋め込み方法、経路推論、論理ルール推論について概観する。
メタラーニング、コモンセンス推論、時間的知識グラフなど、いくつかの新しいトピックを探求する。
論文 参考訳（メタデータ） (2020-02-02T13:17:31Z)
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。