論文の概要: Towards the Identifiability and Explainability for Personalized Learner
Modeling: An Inductive Paradigm
- arxiv url: http://arxiv.org/abs/2309.00300v4
- Date: Mon, 19 Feb 2024 15:01:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 05:56:19.381181
- Title: Towards the Identifiability and Explainability for Personalized Learner
Modeling: An Inductive Paradigm
- Title(参考訳): 個人化学習者モデリングにおける識別可能性と説明可能性:帰納的パラダイム
- Authors: Jiatong Li, Qi Liu, Fei Wang, Jiayu Liu, Zhenya Huang, Fangzhou Yao,
Linbo Zhu, Yu Su
- Abstract要約: 本稿では,エンコーダ・デコーダモデルにインスパイアされた新しい応答効率応答パラダイムに基づく,識別可能な認知診断フレームワークを提案する。
診断精度を損なうことなく,ID-CDFが効果的に対処できることが示唆された。
- 参考スコア(独自算出の注目度): 36.60917255464867
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Personalized learner modeling using cognitive diagnosis (CD), which aims to
model learners' cognitive states by diagnosing learner traits from behavioral
data, is a fundamental yet significant task in many web learning services.
Existing cognitive diagnosis models (CDMs) follow the proficiency-response
paradigm that views learner traits and question parameters as trainable
embeddings and learns them through learner performance prediction. However, we
notice that this paradigm leads to the inevitable non-identifiability and
explainability overfitting problem, which is harmful to the quantification of
learners' cognitive states and the quality of web learning services. To address
these problems, we propose an identifiable cognitive diagnosis framework
(ID-CDF) based on a novel response-proficiency-response paradigm inspired by
encoder-decoder models. Specifically, we first devise the diagnostic module of
ID-CDF, which leverages inductive learning to eliminate randomness in
optimization to guarantee identifiability and captures the monotonicity between
overall response data distribution and cognitive states to prevent
explainability overfitting. Next, we propose a flexible predictive module for
ID-CDF to ensure diagnosis preciseness. We further present an implementation of
ID-CDF, i.e., ID-CDM, to illustrate its usability. Extensive experiments on
four real-world datasets with different characteristics demonstrate that ID-CDF
can effectively address the problems without loss of diagnosis preciseness.
- Abstract(参考訳): 認知診断(CD)を用いたパーソナライズドラーナーモデリングは,学習者の特徴を行動データから診断することで学習者の認知状態をモデル化することを目的としている。
既存の認知診断モデル(CDM)は、学習者特性と質問パラメータをトレーニング可能な埋め込みと見なし、学習者のパフォーマンス予測を通じて学習する能力応答パラダイムに従う。
しかし,このパラダイムは,学習者の認知状態の定量化やWeb学習サービスの質に有害な,避けられない非識別性や説明可能性の過剰適合問題につながることに気付く。
これらの問題を解決するために,エンコーダ・デコーダモデルにインスパイアされた新しい応答効率応答パラダイムに基づく識別可能な認知診断フレームワーク(ID-CDF)を提案する。
具体的には,id-cdfの診断モジュールを考案し,帰納的学習を活用し,最適化におけるランダム性を排除し,識別性を保証するとともに,全体応答データ分布と認知状態とのモノトニック性を取得し,説明可能性の過剰化を防止する。
次に,診断精度を確保するために,ID-CDFのためのフレキシブルな予測モジュールを提案する。
さらに,そのユーザビリティを示すために,ID-CDF,すなわちID-CDMの実装を提案する。
異なる特徴を持つ4つの実世界のデータセットに対する大規模な実験は、ID-CDFが診断精度を損なうことなくこの問題に効果的に対処できることを示した。
関連論文リスト
- ReliCD: A Reliable Cognitive Diagnosis Framework with Confidence
Awareness [26.60714613122676]
既存のアプローチは、生徒の熟達度を予測する際の過信の問題に悩まされることが多い。
本稿では,診断フィードバックの信頼性を定量的に評価できる,信頼性認知診断(ReliCD)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-29T07:30:58Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳(メタデータ) (2023-08-31T00:36:10Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳(メタデータ) (2023-06-02T01:46:31Z) - Topological Interpretability for Deep-Learning [0.2519906683279153]
ディープラーニング(DL)モデルは、予測の確実性を定量化できない。
本研究は,臨床および非臨床のテキストに基づいて訓練された2つのDL分類モデルにおいて,特徴を推測する手法を提案する。
論文 参考訳(メタデータ) (2023-05-15T13:38:13Z) - UIILD: A Unified Interpretable Intelligent Learning Diagnosis Framework
for Intelligent Tutoring Systems [8.354034992258482]
深層学習の強力な表現学習能力と心理メトリクスの解釈可能性から,統合的解釈可能な知的学習診断(UIILD)フレームワークが有用である。
本稿では,2チャンネル学習診断機構 LDM-ID と3チャンネル学習診断機構 LDM-HMI を提案する。
論文 参考訳(メタデータ) (2022-07-07T07:04:22Z) - Scalable Online Disease Diagnosis via Multi-Model-Fused Actor-Critic
Reinforcement Learning [9.274138493400436]
医療のアドバイスをオンラインで求めている人にとっては、患者と対話して自動的に疾患を診断できるAIベースの対話エージェントが有効な選択肢だ。
これは、強化学習(RL)アプローチを自然解として提案した逐次的特徴(症状)選択と分類の問題として定式化することができる。
生成的アクターネットワークと診断批評家ネットワークから構成されるMMF-AC(Multi-Model-Fused Actor-Critic)フレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-08T03:06:16Z) - Learn-Explain-Reinforce: Counterfactual Reasoning and Its Guidance to
Reinforce an Alzheimer's Disease Diagnosis Model [1.6287500717172143]
本稿では、診断モデル学習、視覚的説明生成、訓練された診断モデル強化を統一する新しいフレームワークを提案する。
視覚的説明のために,対象ラベルとして識別される入力サンプルを変換する反ファクトマップを生成する。
論文 参考訳(メタデータ) (2021-08-21T07:29:13Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳(メタデータ) (2021-01-27T13:16:51Z) - Towards Causality-Aware Inferring: A Sequential Discriminative Approach
for Medical Diagnosis [142.90770786804507]
医学診断アシスタント(MDA)は、疾患を識別するための症状を逐次調査する対話型診断エージェントを構築することを目的としている。
この研究は、因果図を利用して、MDAにおけるこれらの重要な問題に対処しようとする。
本稿では,他の記録から知識を引き出すことにより,非記録的調査に効果的に答える確率に基づく患者シミュレータを提案する。
論文 参考訳(メタデータ) (2020-03-14T02:05:54Z)
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。