論文の概要: Knowledge Tracing Challenge: Optimal Activity Sequencing for Students
- arxiv url: http://arxiv.org/abs/2311.14707v1
- Date: Mon, 13 Nov 2023 16:28:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-03 13:55:34.183260
- Title: Knowledge Tracing Challenge: Optimal Activity Sequencing for Students
- Title（参考訳）: 知識追跡課題 : 学生のための最適活動シークエンシング
- Authors: Yann Hicke
- Abstract要約: 知識追跡(きゅうがく、英: Knowledge Trace)は、個々の学習者による知識の獲得を評価・追跡する教育において用いられる手法である。
我々は,AAAI2023 Global Knowledge Tracing Challengeの一環として,新たにリリースされたデータセット上に2つの知識追跡アルゴリズムを実装した結果を示す。
- 参考スコア（独自算出の注目度）: 0.9814642627359286
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowledge tracing is a method used in education to assess and track the
acquisition of knowledge by individual learners. It involves using a variety of
techniques, such as quizzes, tests, and other forms of assessment, to determine
what a learner knows and does not know about a particular subject. The goal of
knowledge tracing is to identify gaps in understanding and provide targeted
instruction to help learners improve their understanding and retention of
material. This can be particularly useful in situations where learners are
working at their own pace, such as in online learning environments. By
providing regular feedback and adjusting instruction based on individual needs,
knowledge tracing can help learners make more efficient progress and achieve
better outcomes. Effectively solving the KT problem would unlock the potential
of computer-aided education applications such as intelligent tutoring systems,
curriculum learning, and learning materials recommendations. In this paper, we
will present the results of the implementation of two Knowledge Tracing
algorithms on a newly released dataset as part of the AAAI2023 Global Knowledge
Tracing Challenge.
- Abstract（参考訳）: 知識追跡(きゅうがく、英: Knowledge Trace)は、個々の学習者による知識の獲得を評価・追跡する教育において用いられる手法である。
それは、学習者が特定の主題について何を知り、何を知らないかを決定するために、クイズ、テスト、その他の形態の評価などの様々なテクニックを使用する。
知識追跡の目的は、学習者が教材の理解と保持を改善するために、理解のギャップを特定し、目標とする指導を提供することである。
これは、オンライン学習環境など、学習者が自身のペースで作業している状況において特に有用である。
個別のニーズに基づいて定期的にフィードバックを提供し、指示を調整することで、知識追跡は学習者がより効率的に進歩し、より良い結果を得るのに役立つ。
KT問題を効果的に解決すれば、知的学習システム、カリキュラム学習、学習教材推薦といったコンピュータ支援の教育応用の可能性が解ける。
本稿では,AAAI2023 Global Knowledge Tracing Challengeの一環として,新たにリリースされたデータセット上に2つの知識追跡アルゴリズムの実装結果を示す。
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) - Integrating Cognitive AI with Generative Models for Enhanced Question Answering in Skill-based Learning [3.187381965457262]
本稿では,認知AIと生成AIを融合してこれらの課題に対処する手法を提案する。
我々は、構造化知識表現、TMK(Task-Method-Knowledge)モデルを用いて、オンライン知識ベースのAIコースで教えられたスキルをエンコードする。
論文 参考訳（メタデータ） (2024-07-28T04:21:22Z) - Leveraging Pedagogical Theories to Understand Student Learning Process with Graph-based Reasonable Knowledge Tracing [11.082908318943248]
本稿では,これらの問題に対処するためのグラフベースの合理的知識追跡手法GRKTを紹介する。
本稿では,知識検索,記憶強化,知識学習・鍛造の3段階モデリングプロセスを提案する。
論文 参考訳（メタデータ） (2024-06-07T10:14:30Z) - Explainable Few-shot Knowledge Tracing [48.877979333221326]
本稿では,学生の記録から学生の知識をトラッキングし,自然言語による説明を提供する認知誘導フレームワークを提案する。
3つの広く使われているデータセットによる実験結果から、LLMは競合する深層知識追跡手法に匹敵する、あるいは優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2024-05-23T10:07:21Z) - Beyond Factuality: A Comprehensive Evaluation of Large Language Models
as Knowledge Generators [78.63553017938911]
大規模言語モデル(LLM)は、下流の知識集約タスクのための情報検索技術より優れている。
しかし、コミュニティの懸念は、この無検閲の知識を使用することの事実と潜在的意味について多岐にわたる。
本研究では,6つの重要な視点から生成した知識を評価するために設計されたCONNERを紹介する。
論文 参考訳（メタデータ） (2023-10-11T08:22:37Z) - Knowledge-augmented Deep Learning and Its Applications: A Survey [60.221292040710885]
知識強化ディープラーニング(KADL)は、ドメイン知識を特定し、それをデータ効率、一般化可能、解釈可能なディープラーニングのためのディープモデルに統合することを目的としている。
本調査は,既存の研究成果を補足し,知識強化深層学習の一般分野における鳥眼研究の展望を提供する。
論文 参考訳（メタデータ） (2022-11-30T03:44:15Z) - A Machine Learning system to monitor student progress in educational
institutes [0.0]
本稿では、機械学習技術を用いて、クレジットスコアと呼ばれる分類器を生成するデータ駆動手法を提案する。
信用スコアを進捗指標として使うという提案は、学習管理システムで使うのに適している。
論文 参考訳（メタデータ） (2022-11-02T08:24:08Z) - Transferability in Deep Learning: A Survey [80.67296873915176]
知識を習得し再利用する能力は、ディープラーニングにおける伝達可能性として知られている。
本研究は,深層学習における異なる孤立領域と伝達可能性との関係を関連付けるための調査である。
我々はベンチマークとオープンソースライブラリを実装し、転送可能性の観点からディープラーニング手法の公平な評価を可能にする。
論文 参考訳（メタデータ） (2022-01-15T15:03:17Z) - Learning Data Teaching Strategies Via Knowledge Tracing [5.648636668261282]
本稿では,学生モデルのためのデータ教育戦略を最適化する,知識強化データ教育(KADT)と呼ばれる新しい手法を提案する。
KADT法は、潜在学習概念の観点から、学生モデルの知識進捗を動的に捉えるための知識追跡モデルを含む。
我々は、知識追跡、感情分析、映画レコメンデーション、画像分類を含む4つの機械学習タスクにおいて、KADT法の性能を評価した。
論文 参考訳（メタデータ） (2021-11-13T10:10:48Z) - Incremental Knowledge Based Question Answering [52.041815783025186]
人間と同じように学習能力を段階的に拡張できるインクリメンタルKBQA学習フレームワークを提案します。
具体的には、破滅的な忘れ問題を克服するために、マージン希釈損失と協調選択方法からなる。
包括的な実験は、進化する知識ベースに取り組む際にその効果と効率を示す。
論文 参考訳（メタデータ） (2021-01-18T09:03:38Z)
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。