論文の概要: Disentangling Heterogeneous Knowledge Concept Embedding for Cognitive Diagnosis on Untested Knowledge
- arxiv url: http://arxiv.org/abs/2405.16003v1
- Date: Sat, 25 May 2024 01:49:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-29 01:39:22.723028
- Title: Disentangling Heterogeneous Knowledge Concept Embedding for Cognitive Diagnosis on Untested Knowledge
- Title（参考訳）: 未証明知識の認知診断に組み込む異種知識概念
- Authors: Kui Xiao, Runtian Xing, Miao Zhang, Shunfeng Tan, Ziming Wang, Xiaolian Zhu,
- Abstract要約: 現在の研究は、それぞれの知識概念が複数のエクササイズによってテストされ、カバーされることを前提としている。
いくつかのエクササイズですべての知識概念を完全にカバーすることは、ほとんど不可能です。
未検証知識に基づくアンダーライン認知下線診断フレームワーク(DisKCD)を提案する。
- 参考スコア（独自算出の注目度）: 16.126762028648436
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cognitive diagnosis is a fundamental and critical task in learning assessment, which aims to infer students' proficiency on knowledge concepts from their response logs. Current works assume each knowledge concept will certainly be tested and covered by multiple exercises. However, whether online or offline courses, it's hardly feasible to completely cover all knowledge concepts in several exercises. Restricted tests lead to undiscovered knowledge deficits, especially untested knowledge concepts(UKCs). In this paper, we propose a novel \underline{Dis}entangling Heterogeneous \underline{K}nowledge \underline{C}ognitive \underline{D}iagnosis framework on untested knowledge(DisKCD). Specifically, we leverage course grades, exercise questions, and resources to learn the potential representations of students, exercises, and knowledge concepts. In particular, knowledge concepts are disentangled into tested and untested based on the limiting actual exercises. We construct a heterogeneous relation graph network via students, exercises, tested knowledge concepts(TKCs), and UKCs. Then, through a hierarchical heterogeneous message-passing mechanism, the fine-grained relations are incorporated into the embeddings of the entities. Finally, the embeddings will be applied to multiple existing cognitive diagnosis models to infer students' proficiency on UKCs. Experimental results on real-world datasets show that the proposed model can effectively improve the performance of the task of diagnosing students' proficiency on UKCs. Our anonymous code is available at https://anonymous.4open.science/r/DisKCD.
- Abstract（参考訳）: 認知診断は, 生徒の知識概念に対する習熟度を, 応答ログから推定することを目的とした, 学習評価における基本的かつ重要な課題である。
現在の研究は、それぞれの知識の概念が確実にテストされ、複数のエクササイズによってカバーされると仮定している。
しかし、オンラインコースでもオフラインコースでも、いくつかのエクササイズですべての知識概念を完全にカバーすることは不可能です。
制限されたテストは未発見の知識不足、特に未検証の知識概念(UKC)につながる。
本稿では,未検証知識(DisKCD)に基づく新規なアンダーライン{Dis}entangling Heterogeneous \underline{K}nowledge \underline{C}ognitive \underline{D}iagnosisフレームワークを提案する。
具体的には、学生、演習、知識概念の潜在的な表現を学ぶために、コースグレード、エクササイズ、リソースを活用します。
特に、知識の概念は、実際の演習の制限に基づいて、テストと未テストに絡み合わされる。
我々は,学生,演習,テストされた知識概念(TKC),UKCを通じて異種関係グラフネットワークを構築した。
そして、階層的ヘテロジニアスメッセージパッシング機構を通じて、微細な関係をエンティティの埋め込みに組み込む。
最後に、埋め込みは既存の複数の認知診断モデルに適用され、UKCにおける生徒の習熟度を推定する。
実世界のデータセットを用いた実験結果から,提案モデルにより,UKCにおける生徒の習熟度を効果的に診断できることが示された。
我々の匿名コードはhttps://anonymous.4open.science/r/DisKCDで入手できる。
関連論文リスト
- 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) - Improving Cognitive Diagnosis Models with Adaptive Relational Graph Neural Networks [33.76551090755183]
認知診断(CD)アルゴリズムは、様々な知識概念に基づいて生徒の能力を推定することで学生を支援する。
近年,学生による2部グラフの構築と導入が診断性能の向上に有用であることが報告されている。
本稿では, 適応セマンティックグラフに基づく認知診断モデル (ASG-CD) を提案する。
論文 参考訳（メタデータ） (2024-02-15T14:12:38Z) - KGA: A General Machine Unlearning Framework Based on Knowledge Gap
Alignment [51.15802100354848]
我々は,忘れやすさを誘発する一般学習フレームワークKGAを提案する。
大規模なデータセットの実験は、KGAがベースラインよりも包括的な改善をもたらすことを示している。
論文 参考訳（メタデータ） (2023-05-11T02:44:29Z) - 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) - Switchable Online Knowledge Distillation [68.2673580932132]
オンライン知識蒸留(OKD)は、教師と学生の違いを相互に活用することで、関係するモデルを改善する。
そこで我々は,これらの疑問に答えるために,スイッチブルオンライン知識蒸留(SwitOKD)を提案する。
論文 参考訳（メタデータ） (2022-09-12T03:03:40Z) - 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 Unified End-to-End Retriever-Reader Framework for Knowledge-based VQA [67.75989848202343]
本稿では,知識に基づくVQAに向けて,エンド・ツー・エンドのレトリバー・リーダー・フレームワークを提案する。
我々は、視覚言語による事前学習モデルからの多モーダルな暗黙の知識に光を当て、知識推論の可能性を掘り下げた。
提案手法では,知識検索のガイダンスを提供するだけでなく,質問応答に対してエラーが発生しやすいケースも排除できる。
論文 参考訳（メタデータ） (2022-06-30T02:35:04Z) - Distilling Holistic Knowledge with Graph Neural Networks [37.86539695906857]
知識蒸留(KD)は、より大規模な教師ネットワークからより小さな学習可能な学生ネットワークへ知識を伝達することを目的としている。
既存のKD法は主に、個々の知識と関係知識の2つの種類の知識を考察してきた。
本稿では, インスタンス間に構築された属性グラフに基づいて, 新たな包括的知識を蒸留する。
論文 参考訳（メタデータ） (2021-08-12T02:47:59Z) - Attentional Graph Convolutional Networks for Knowledge Concept
Recommendation in MOOCs in a Heterogeneous View [72.98388321383989]
大規模なオープンオンラインコース(MOOC)は、学生が知識を習得するための大規模かつオープンな学習機会を提供する。
学生の関心を惹きつけるため、MOOCsプロバイダによる推薦制度が採用され、学生にコースを推薦する。
そこで本研究では,MOOCにおける知識概念レコメンデーションのために,Attentional Heterogeneous Graph Convolutional Deep Knowledge Recommender (ACKRec) という,エンドツーエンドのグラフニューラルネットワークに基づくアプローチを提案する。
論文 参考訳（メタデータ） (2020-06-23T18:28:08Z) - HGKT: Introducing Hierarchical Exercise Graph for Knowledge Tracing [19.416373111152613]
本稿では,HGKTと呼ばれる階層的グラフ知識追跡モデルを提案する。
具体的には,学習依存度をモデル化可能な階層的なエクササイズグラフを構築するために,問題スキーマの概念を導入する。
テスト段階では、知識の熟達と問題スキーマの推移を辿ることのできるK&S診断行列を提示する。
論文 参考訳（メタデータ） (2020-06-13T07:09:52Z)
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。