論文の概要: Enhancing Cognitive Diagnosis using Un-interacted Exercises: A
Collaboration-aware Mixed Sampling Approach
- arxiv url: http://arxiv.org/abs/2312.10110v1
- Date: Fri, 15 Dec 2023 07:44:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-19 18:36:25.985715
- Title: Enhancing Cognitive Diagnosis using Un-interacted Exercises: A
Collaboration-aware Mixed Sampling Approach
- Title(参考訳): 非干渉運動を用いた認知診断の強化:協調型混合サンプリングアプローチ
- Authors: Haiping Ma, Changqian Wang, Hengshu Zhu, Shangshang Yang, Xiaoming
Zhang, and Xingyi Zhang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 22.696866034847343
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cognitive diagnosis is a crucial task in computational education, aimed at
evaluating students' proficiency levels across various knowledge concepts
through exercises. Current models, however, primarily rely on students'
answered exercises, neglecting the complex and rich information contained in
un-interacted exercises. While recent research has attempted to leverage the
data within un-interacted exercises linked to interacted knowledge concepts,
aiming to address the long-tail issue, these studies fail to fully explore the
informative, un-interacted exercises related to broader knowledge concepts.
This oversight results in diminished performance when these models are applied
to comprehensive datasets. In response to this gap, we present the
Collaborative-aware Mixed Exercise Sampling (CMES) framework, which can
effectively exploit the information present in un-interacted exercises linked
to un-interacted knowledge concepts. Specifically, we introduce a novel
universal sampling module where the training samples comprise not merely raw
data slices, but enhanced samples generated by combining weight-enhanced
attention mixture techniques. Given the necessity of real response labels in
cognitive diagnosis, we also propose a ranking-based pseudo feedback module to
regulate students' responses on generated exercises. The versatility of the
CMES framework bolsters existing models and improves their adaptability.
Finally, we demonstrate the effectiveness and interpretability of our framework
through comprehensive experiments on real-world datasets.
- Abstract(参考訳): 認知診断はコンピュータ教育において重要な課題であり、演習を通じて様々な知識概念の学生の習熟度を評価することを目的としている。
しかし、現在のモデルは、主に学生の回答した演習に依存しており、相互作用のない演習に含まれる複雑で豊かな情報を無視している。
近年の研究では、対話的知識概念に関連付けられた非対話的エクササイズでデータを活用する試みがなされているが、より広範な知識概念に関連する情報的かつ非対話的エクササイズを十分に探求できていない。
これにより、これらのモデルが包括的なデータセットに適用されると、パフォーマンスが低下する。
このギャップに対応するために,協調学習型混合運動サンプリング(cmes)フレームワークを提案する。
具体的には, トレーニングサンプルを生データスライスに留まらず, 重み付き注意混合技術を組み合わせた強化サンプルとして構成する, 新たなユニバーサルサンプリングモジュールを提案する。
また, 認知診断における実応答ラベルの必要性から, 学生が生成した運動に対する反応を制御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。
cmesフレームワークの汎用性は既存のモデルを強化し、適応性を向上させる。
最後に,実世界のデータセットに関する包括的実験を通じて,フレームワークの有効性と解釈可能性を示す。
関連論文リスト
- A Unified and General Framework for Continual Learning [58.72671755989431]
継続学習(CL)は、以前取得した知識を維持しながら、動的かつ変化するデータ分布から学ぶことに焦点を当てている。
正規化ベース、ベイズベース、メモリ再生ベースなど、破滅的な忘れ込みの課題に対処する様々な手法が開発されている。
本研究の目的は,既存の方法論を包含し,整理する包括的かつ包括的な枠組みを導入することで,このギャップを埋めることである。
論文 参考訳(メタデータ) (2024-03-20T02:21:44Z) - Advancing Deep Active Learning & Data Subset Selection: Unifying
Principles with Information-Theory Intuitions [3.0539022029583953]
本論文は,ディープラーニングモデルのラベルとトレーニング効率を向上させることにより,ディープラーニングの実践性を高めることを目的とする。
本稿では,情報理論の原理に基づくデータサブセット選択手法,特にアクティブラーニングとアクティブサンプリングについて検討する。
論文 参考訳(メタデータ) (2024-01-09T01:41:36Z) - ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
認知のための行動認識型身体学習(ALP)について紹介する。
ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。
ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-06-16T21:51:04Z) - Quiz-based Knowledge Tracing [61.9152637457605]
知識追跡は、学習相互作用に基づいて個人の進化する知識状態を評価することを目的としている。
QKTは、既存の方法と比較して最先端のパフォーマンスを実現している。
論文 参考訳(メタデータ) (2023-04-05T12:48:42Z) - Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。
まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。
トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
論文 参考訳(メタデータ) (2022-11-24T13:18:27Z) - Knowledge Tracing for Complex Problem Solving: Granular Rank-Based
Tensor Factorization [6.077274947471846]
グラニュラーRAnkに基づくTEnsor Factorization (GRATE) を用いた新しい学生知識追跡手法を提案する。
GRATEは、問題における生徒のパフォーマンスを予測し、それらに提示される概念を発見しながら集約できる学生の試みを選択する。
実世界の3つのデータセットに対する実験は、最先端のベースラインに比べてGRATEの性能が向上したことを示している。
論文 参考訳(メタデータ) (2022-10-06T06:22:46Z) - Mind Your Outliers! Investigating the Negative Impact of Outliers on
Active Learning for Visual Question Answering [71.15403434929915]
視覚的質問応答のタスクにおいて、5つのモデルと4つのデータセットにまたがって、多種多様な能動的学習アプローチがランダム選択を上回りません。
アクティブな学習手法が好まれるが、モデルは学習に失敗する例の集まりである。
本研究では,アクティブ学習プールにおける集団外乱の減少に伴い,アクティブ学習サンプル効率が著しく向上することを示す。
論文 参考訳(メタデータ) (2021-07-06T00:52:11Z) - An Empirical Comparison of Deep Learning Models for Knowledge Tracing on
Large-Scale Dataset [10.329254031835953]
知識追跡は、各学生の知識概念の熟達をモデル化する問題である。
最近の大規模学生成績データセット citechoi 2019ednet のリリースは、ディープラーニングアプローチのパフォーマンス分析を動機付けている。
論文 参考訳(メタデータ) (2021-01-16T04:58:17Z) - RKT : Relation-Aware Self-Attention for Knowledge Tracing [2.9778695679660188]
知識追跡のためのリレーショナル・アウェア・セルフアテンション・モデル(RKT)を提案する。
文脈情報を組み込んだ関係認識型自己認識層を導入する。
我々のモデルは最先端の知識追跡手法より優れている。
論文 参考訳(メタデータ) (2020-08-28T16:47:03Z) - Task-Feature Collaborative Learning with Application to Personalized
Attribute Prediction [166.87111665908333]
本稿では,TFCL(Task-Feature Collaborative Learning)と呼ばれる新しいマルチタスク学習手法を提案する。
具体的には、まず、特徴とタスクの協調的なグループ化を活用するために、不均一なブロック対角構造正規化器を用いたベースモデルを提案する。
実際の拡張として,重なり合う機能と難易度を区別することで,基本モデルを拡張します。
論文 参考訳(メタデータ) (2020-04-29T02:32:04Z)
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。