論文の概要: Interpretable Knowledge Tracing via Response Influence-based Counterfactual Reasoning

• arxiv url: http://arxiv.org/abs/2312.10045v1
• Date: Fri, 1 Dec 2023 11:27:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 13:59:33.981808
• Title: Interpretable Knowledge Tracing via Response Influence-based Counterfactual Reasoning
• Title（参考訳）: 応答影響に基づく反実的推論による解釈可能な知識追跡
• Authors: Jiajun Cui and Minghe Yu and Bo Jiang and Aimin Zhou and Jianyong Wang and Wei Zhang
• Abstract要約: 知識追跡は、コンピュータ支援教育と知的学習システムにおいて重要な役割を担っている。 現在のアプローチでは、より説明可能な予測を達成するために心理的影響を調査している。 RCKTは,新しい応答型インフルエンサー・インフルエンサー・インフルエンス・インフルエンサー・ナレッジ・トレース・フレームワークである。
• 参考スコア（独自算出の注目度）: 11.454168297759109
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Knowledge tracing (KT) plays a crucial role in computer-aided education and intelligent tutoring systems, aiming to assess students' knowledge proficiency by predicting their future performance on new questions based on their past response records. While existing deep learning knowledge tracing (DLKT) methods have significantly improved prediction accuracy and achieved state-of-the-art results, they often suffer from a lack of interpretability. To address this limitation, current approaches have explored incorporating psychological influences to achieve more explainable predictions, but they tend to overlook the potential influences of historical responses. In fact, understanding how models make predictions based on response influences can enhance the transparency and trustworthiness of the knowledge tracing process, presenting an opportunity for a new paradigm of interpretable KT. However, measuring unobservable response influences is challenging. In this paper, we resort to counterfactual reasoning that intervenes in each response to answer \textit{what if a student had answered a question incorrectly that he/she actually answered correctly, and vice versa}. Based on this, we propose RCKT, a novel response influence-based counterfactual knowledge tracing framework. RCKT generates response influences by comparing prediction outcomes from factual sequences and constructed counterfactual sequences after interventions. Additionally, we introduce maximization and inference techniques to leverage accumulated influences from different past responses, further improving the model's performance and credibility. Extensive experimental results demonstrate that our RCKT method outperforms state-of-the-art knowledge tracing methods on four datasets against six baselines, and provides credible interpretations of response influences.
• Abstract（参考訳）: 知識追跡(KT)は,コンピュータ支援教育と知的教習システムにおいて重要な役割を担い,過去の回答記録に基づいて,新たな質問に対する将来の成果を予測することによって,学生の知識能力を評価することを目的とする。 既存の深層学習知識追跡法(DLKT)は予測精度を大幅に向上し、最先端の結果を得たが、しばしば解釈可能性の欠如に悩まされる。 この制限に対処するために、現在のアプローチでは、より説明可能な予測を達成するために心理的な影響を取り入れている。 実際、モデルがどのように反応の影響に基づいて予測を行うかを理解することは、知識追跡プロセスの透明性と信頼性を高め、解釈可能なKTの新しいパラダイムの機会を提供する。 しかし、観測不能な反応の影響を測定することは困難である。 本稿では,各応答に介入する反事実推論を用いて,質問に対して学生が正解を誤答した場合,その逆を判断する。 そこで我々は,新しい応答影響に基づく対実的知識追跡フレームワークRCKTを提案する。 RCKTは、実数列からの予測結果と介入後の反実数列とを比較して応答効果を生成する。 さらに,過去の異なる応答から蓄積された影響を活用し,モデルの性能と信頼性をさらに向上させるために,最大化と推論手法を導入する。 実験の結果,RCKT法は4つのデータセット上で6つのベースラインに対して最先端の知識追跡法より優れており,応答影響の信頼性の高い解釈が得られた。

関連論文リスト

• Enhancing Knowledge Tracing with Concept Map and Response Disentanglement [5.201585012263761]
  本稿では,知識追跡(CRKT)モデルを強化するための概念マップ駆動型応答不整合法を提案する。 CRKTは、答えの選択を直接活用することでKTに恩恵を与える。 さらに,不整合表現を用いて,学生が選択しない選択肢から洞察を得るアンチョセン応答の新規利用について紹介する。
  論文  参考訳（メタデータ） (2024-08-23T11:25:56Z)
• 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)
• A Closer Look at the Limitations of Instruction Tuning [52.587607091917214]
  インストラクションチューニング(IT)は,大規模言語モデル(LLM)における知識やスキルの向上に失敗することを示す。 また、一般的なIT改善手法は、シンプルなLoRA微調整モデルよりも性能改善につながるものではないことも示している。 この結果から,事前学習した知識のみから生成した応答は,オープンソースデータセット上でITから新たな知識を学習するモデルによって,一貫した応答性能が向上することが判明した。
  論文  参考訳（メタデータ） (2024-02-03T04:45:25Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Augmenting Interpretable Knowledge Tracing by Ability Attribute and Attention Mechanism [0.0]
  知識追跡は、学生の過去の回答シーケンスをモデル化し、運動中の知識獲得の変化を追跡することを目的としている。 既存のアプローチのほとんどは、生徒の能力が個人によって常に変化または変化しているという事実を無視している。 本稿では,能力特性と注意機構に基づく新しいモデルを提案する。
  論文  参考訳（メタデータ） (2023-02-04T11:19:55Z)
• Evaluation of Induced Expert Knowledge in Causal Structure Learning by NOTEARS [1.5469452301122175]
  非パラメトリックNOTEARSモデルの定式化に使用される追加制約の形で、専門家の知識が因果関係に与える影響について検討する。 その結果, (i) NOTEARSモデルの誤りを正す知識は, 統計的に有意な改善をもたらすこと, (ii) アクティブエッジに対する制約は, 非アクティブエッジよりも因果発見に肯定的な影響を与えること, (iii) 意外なことに, (iii) 誘導された知識は, 平均的な不正確なアクティブエッジおよび/または非アクティブエッジに対して予想以上に正確でないことが判明した。
  論文  参考訳（メタデータ） (2023-01-04T20:39:39Z)
• Differentiating Student Feedbacks for Knowledge Tracing [5.176190855174938]
  本稿では,知識追跡のためのDR4KTを提案する。 再重み付け後の低判別応答に対する高い予測精度を維持するため、DR4KTは識別対応スコア融合技術も導入している。
  論文  参考訳（メタデータ） (2022-12-16T13:55:07Z)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• 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)
• Learning "What-if" Explanations for Sequential Decision-Making [92.8311073739295]
  実世界の意思決定の解釈可能なパラメータ化を実証行動に基づいて構築することが不可欠である。 そこで我々は,「何」の結果に対する嗜好の観点から,報酬関数をモデル化し,専門家による意思決定の学習的説明を提案する。 本研究は,行動の正確かつ解釈可能な記述を回復する上で,実効的逆強化学習手法であるバッチの有効性を強調した。
  論文  参考訳（メタデータ） (2020-07-02T14:24:17Z)
• Influence Functions in Deep Learning Are Fragile [52.31375893260445]
  影響関数は、テスト時間予測におけるサンプルの効果を近似する。 影響評価は浅いネットワークでは かなり正確です ヘッセン正則化は、高品質な影響推定を得るために重要である。
  論文  参考訳（メタデータ） (2020-06-25T18:25:59Z)

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。