Fugu-MT 論文翻訳(概要): Prerequisite Structure Discovery in Intelligent Tutoring Systems

論文の概要: Prerequisite Structure Discovery in Intelligent Tutoring Systems

arxiv url: http://arxiv.org/abs/2402.01672v1
Date: Thu, 18 Jan 2024 09:01:49 GMT
ステータス: 処理完了
システム内更新日: 2024-02-11 16:49:31.469181
Title: Prerequisite Structure Discovery in Intelligent Tutoring Systems
Title（参考訳）: 知能チュータシステムにおける前提構造発見
Authors: Louis Annabi (Flowers, U2IS), Sao Mai Nguyen
Abstract要約: 本稿では,知的学習システムにおける教育内容の推薦改善における知識構造(KS)と知識追跡(KT)の重要性について論じる。本研究の貢献は、学習可能なパラメータとしてKSを組み込んだKTモデルを提案し、学習者軌道から基礎となるKSの発見を可能にすることである。学習者による推薦アルゴリズムの推薦と評価に使用することにより,KSの質を評価する。
参考スコア（独自算出の注目度）: 0.4604003661048266
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper addresses the importance of Knowledge Structure (KS) and Knowledge Tracing (KT) in improving the recommendation of educational content in intelligent tutoring systems. The KS represents the relations between different Knowledge Components (KCs), while KT predicts a learner's success based on her past history. The contribution of this research includes proposing a KT model that incorporates the KS as a learnable parameter, enabling the discovery of the underlying KS from learner trajectories. The quality of the uncovered KS is assessed by using it to recommend content and evaluating the recommendation algorithm with simulated students.
Abstract（参考訳）: 本稿では,知的学習システムにおける教育内容の推薦改善における知識構造(KS)と知識追跡(KT)の重要性について述べる。 KSは異なる知識コンポーネント(KC)の関係を表し、KTは過去の歴史に基づいて学習者の成功を予測する。本研究の貢献は、学習可能なパラメータとしてKSを組み込んだKTモデルを提案し、学習者軌道から基礎となるKSの発見を可能にすることである。内容の推薦とシミュレーションによる推薦アルゴリズムの評価に使用することにより, ksの質を評価する。

関連論文リスト

Deep Knowledge Tracing for Personalized Adaptive Learning at Historically Black Colleges and Universities [1.2979015577834876]
本研究では,HBCUsにおけるSTEM教育におけるPAL実装のためのDKTに関する包括的データセットを構築した。このデータセットには、プレーリービューA&M大学の8つのカレッジの17,181人の大学生を対象に、352,148の学習記録が含まれている。実験により,学生の学術的成果を正確に予測する上で,DKTモデルの有効性が示された。
論文参考訳（メタデータ） (2024-10-02T17:42:59Z)
Chain-of-Knowledge: Integrating Knowledge Reasoning into Large Language Models by Learning from Knowledge Graphs [55.317267269115845]
Chain-of-Knowledge (CoK)は知識推論のための包括的なフレームワークである。 CoKにはデータセット構築とモデル学習の両方のための方法論が含まれている。 KnowReasonで広範な実験を行う。
論文参考訳（メタデータ） (2024-06-30T10:49:32Z)
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)
DKT-STDRL: Spatial and Temporal Representation Learning Enhanced Deep Knowledge Tracing for Learning Performance Prediction [11.75131482747055]
DKT-STDRLモデルは、学生の運動シーケンスの空間的特徴情報を抽出するためにCNNを使用する。 BiLSTM部は、共同学習特徴から時間的特徴を抽出し、次のステップで学生が正しく答えるかどうかの予測情報を得る。 ASSISTment2009, ASSISTment2015, Synthetic-5, ASSISTchall, Statics 2011 の公開教育データセットの実験は、DKT-STDRLがDKTやCKTよりも優れた予測効果を達成できることを証明している。
論文参考訳（メタデータ） (2023-02-15T09:23:21Z)
Learning Knowledge Representation with Meta Knowledge Distillation for Single Image Super-Resolution [82.89021683451432]
単一画像超解像課題に対する教師/学生アーキテクチャに基づくモデルに依存しないメタ知識蒸留法を提案する。種々の単一画像超解像データセットを用いた実験により,提案手法は既存の知識表現関連蒸留法よりも優れた性能を示した。
論文参考訳（メタデータ） (2022-07-18T02:41:04Z)
Knowledge Condensation Distillation [38.446333274732126]
既存の方法は、知識のヒントを発掘し、すべての知識を学生に伝達することに焦点を当てている。本稿では,知識凝縮蒸留(KCD)を提案する。我々のアプローチは、既製のKDメソッドの上に構築しやすく、追加のトレーニングパラメータや無視可能なオーバーヘッドがない。
論文参考訳（メタデータ） (2022-07-12T09:17:34Z)
A Closer Look at Knowledge Distillation with Features, Logits, and Gradients [81.39206923719455]
知識蒸留(KD)は、学習した知識をあるニューラルネットワークモデルから別のニューラルネットワークモデルに転送するための重要な戦略である。この研究は、古典的なKL分割基準を異なる知識源で近似することで、一連の知識蒸留戦略を動機付ける新しい視点を提供する。分析の結果,ロジットは一般的により効率的な知識源であり,十分な特徴次元を持つことがモデル設計に不可欠であることが示唆された。
論文参考訳（メタデータ） (2022-03-18T21:26:55Z)
Application of Deep Self-Attention in Knowledge Tracing [2.5852720579998336]
本稿では,中国の多くの大学の学生が使用しているオンラインアセスメントシステムであるPTAのデータをもとに,Deep Self-Attentive Knowledge Tracing (DSAKT)を提案する。 PTAのデータの実験では、DSAKTは知識追跡において他のモデルよりも2.1%向上している。
論文参考訳（メタデータ） (2021-05-17T14:45:38Z)
Contextualized Knowledge-aware Attentive Neural Network: Enhancing Answer Selection with Knowledge [77.77684299758494]
ナレッジグラフ(KG)による外部知識による回答選択モデル向上のアプローチを幅広く検討しています。まず、KGの外部知識とテキスト情報との密接な相互作用を考慮し、QA文表現を学習するコンテキスト知識相互作用学習フレームワークであるナレッジアウェアニューラルネットワーク(KNN)を紹介します。 KG情報の多様性と複雑性に対処するために, カスタマイズされたグラフ畳み込みネットワーク (GCN) を介して構造情報を用いた知識表現学習を改善し, コンテキストベースおよび知識ベースの文表現を総合的に学習するコンテキスト型知識認識型アテンシブニューラルネットワーク (CKANN) を提案する。
論文参考訳（メタデータ） (2021-04-12T05:52:20Z)
KnowledgeCheckR: Intelligent Techniques for Counteracting Forgetting [52.623349754076024]
KnowledgeCheckRに統合された推奨アプローチの概要を提供します。その例としては,将来的に繰り返される学習内容の識別を支援するユーティリティベースのレコメンデーション,セッションベースのレコメンデーションを実装するための協調フィルタリングアプローチ,インテリジェントな質問応答を支援するコンテントベースのレコメンデーションなどがある。
論文参考訳（メタデータ） (2021-02-15T20:06:28Z)
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)

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。