論文の概要: Disentangling Heterogeneous Knowledge Concept Embedding for Cognitive Diagnosis on Untested Knowledge
- arxiv url: http://arxiv.org/abs/2405.16003v2
- Date: Fri, 18 Oct 2024 02:57:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-21 14:23:40.368968
- 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: Miao Zhang, Ziming Wang, Runtian Xing, Kui Xiao, Zhifei Li, Yan Zhang, Chang Tang,
- Abstract要約: 異義性認知診断(DisKCD)と呼ばれる認知診断のための新しい枠組みを提案する。
コースの成績、課題のエクササイズ、学習リソースを活用して、学生、演習、知識概念の潜在的表現を学習する。
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。
- 参考スコア（独自算出の注目度）: 24.363775475487117
- License:
- 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 framework for Cognitive Diagnosis called Disentangling Heterogeneous Knowledge Cognitive Diagnosis(DisKCD) on untested knowledge. Specifically, we leverage course grades, exercise questions, and learning 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 code is available at https://github.com/Hubuers/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,DisKCD(Disentangling Heterogeneous Knowledge Cognitive Diagnosis)と呼ばれる認知診断のための新しいフレームワークを提案する。
具体的には、コースの成績、課題のエクササイズ、学習資源を活用して、学生、演習、知識概念の潜在的表現を学習する。
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における学生の習熟度を効果的に診断できることが示された。
私たちのコードはhttps://github.com/Hubuers/DisKCDで利用可能です。
関連論文リスト
- End-to-end Graph Learning Approach for Cognitive Diagnosis of Student Tutorial [11.670969577565774]
本稿では,エンド・ツー・エンドグラフニューラルネットワークを用いた認知診断(EGNN-CD)モデルを提案する。
EGNN-CDは、知識概念ネットワーク(KCN)、グラフニューラルネットワークに基づく特徴抽出(GNNFE)、認知能力予測(CAP)の3つの主要部分から構成される。
論文 参考訳（メタデータ） (2024-10-30T06:18:47Z) - Large Language Models are Limited in Out-of-Context Knowledge Reasoning [65.72847298578071]
大規模言語モデル (LLMs) は、文脈内推論の実行において広範な知識と強力な能力を持っている。
本稿では、複数の知識を組み合わせて新しい知識を推論する、文脈外知識推論(OCKR)という、文脈外推論の重要な側面に焦点を当てる。
論文 参考訳（メタデータ） (2024-06-11T15:58:59Z) - 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) - ReliCD: A Reliable Cognitive Diagnosis Framework with Confidence
Awareness [26.60714613122676]
既存のアプローチは、生徒の熟達度を予測する際の過信の問題に悩まされることが多い。
本稿では,診断フィードバックの信頼性を定量的に評価できる,信頼性認知診断(ReliCD)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-29T07:30:58Z) - Knowledge Boosting: Rethinking Medical Contrastive Vision-Language
Pre-Training [6.582001681307021]
知識ブースティング・コントラスト・ビジョン・ランゲージ事前学習フレームワーク(KoBo)を提案する。
KoBoは、臨床知識を視覚言語意味一貫性の学習に統合する。
分類,セグメンテーション,検索,意味的関連性を含む8つのタスクに対するフレームワークの効果を検証する実験を行った。
論文 参考訳（メタデータ） (2023-07-14T09:38:22Z) - Adapter Learning in Pretrained Feature Extractor for Continual Learning
of Diseases [66.27889778566734]
現在、インテリジェント診断システムには、デプロイされたばかりの新しい病気を継続的に診断する能力がない。
特に、新しい疾患のトレーニングデータを用いたインテリジェント診断システムの更新は、古い疾患の知識を壊滅的に忘れてしまう可能性がある。
ACLと呼ばれるアダプタベースの連続学習フレームワークは、新しい病気の集合を効果的に学習するために提案されている。
論文 参考訳（メタデータ） (2023-04-18T15:01:45Z) - 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) - 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) - 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)
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。