論文の概要: Dual-State Personalized Knowledge Tracing with Emotional Incorporation
- arxiv url: http://arxiv.org/abs/2405.16799v1
- Date: Mon, 27 May 2024 03:39:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-28 19:06:16.205143
- Title: Dual-State Personalized Knowledge Tracing with Emotional Incorporation
- Title（参考訳）: 感情組み込みによる二重状態の個人化知識の追跡
- Authors: Shanshan Wang, Fangzheng Yuan, Keyang Wang, Xun Yang, Xingyi Zhang, Meng Wang,
- Abstract要約: 本稿では,感情内包モデルを用いた二状態パーソナライズド・ナレッジ・トレーシングを提案する。
まず,感情情報を知識状態のモデリングプロセスに組み込んだ結果,知識状態ブースティングモジュールが誕生した。
第2に,学生のパーソナライズされた感情状態を監視するための感情追跡モジュールを設計し,感情予測手法を提案する。
最後に,学生の反応予測を強化するために,予測された感情を適用した。
- 参考スコア（独自算出の注目度）: 20.64136772575646
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge tracing has been widely used in online learning systems to guide the students' future learning. However, most existing KT models primarily focus on extracting abundant information from the question sets and explore the relationships between them, but ignore the personalized student behavioral information in the learning process. This will limit the model's ability to accurately capture the personalized knowledge states of students and reasonably predict their performances. To alleviate this limitation, we explicitly models the personalized learning process by incorporating the emotions, a representative personalized behavior in the learning process, into KT framework. Specifically, we present a novel Dual-State Personalized Knowledge Tracing with Emotional Incorporation model to achieve this goal: Firstly, we incorporate emotional information into the modeling process of knowledge state, resulting in the Knowledge State Boosting Module. Secondly, we design an Emotional State Tracing Module to monitor students' personalized emotional states, and propose an emotion prediction method based on personalized emotional states. Finally, we apply the predicted emotions to enhance students' response prediction. Furthermore, to extend the generalization capability of our model across different datasets, we design a transferred version of DEKT, named Transfer Learning-based Self-loop model (T-DEKT). Extensive experiments show our method achieves the state-of-the-art performance.
- Abstract（参考訳）: オンライン学習システムでは、学習者の将来の学習を導くために知識追跡が広く使われている。
しかし、既存のほとんどのKTモデルは、主に質問セットから豊富な情報を抽出し、それら間の関係を探索することに焦点を当てているが、学習過程においてパーソナライズされた学生の行動情報を無視する。
これにより、モデルの生徒のパーソナライズされた知識状態を正確に把握し、パフォーマンスを合理的に予測できる能力が制限される。
この制限を緩和するために、学習プロセスに代表的パーソナライズされた行動である感情をKTフレームワークに組み込むことにより、パーソナライズされた学習プロセスを明示的にモデル化する。
具体的には、この目標を達成するために、感情的な情報を知識状態のモデリングプロセスに組み込むことにより、知識状態ブースティングモジュールを実現する。
次に,学生の感情状態を監視するための感情追跡モジュールを設計し,個人的感情状態に基づく感情予測手法を提案する。
最後に,学生の反応予測を強化するために,予測された感情を適用した。
さらに、異なるデータセットにまたがるモデルの一般化能力を拡張するために、Transfer Learning-based Self-loop model (T-DEKT) と呼ばれるDEKTのトランスファーバージョンを設計する。
大規模な実験により,本手法が最先端の性能を実現することを示す。
関連論文リスト
- Learn while Unlearn: An Iterative Unlearning Framework for Generative Language Models [49.043599241803825]
Iterative Contrastive Unlearning (ICU)フレームワークは3つのコアコンポーネントで構成されている。
知識未学習誘導モジュールは、未学習の損失を通じて特定の知識を除去する。
Contrastive Learning Enhancementモジュールは、純粋な未学習の目標に対してモデルの表現力を維持する。
また、特定のデータ片の未学習範囲を動的に評価し、反復的な更新を行う反復未学習リファインメントモジュールも用意されている。
論文 参考訳（メタデータ） (2024-07-25T07:09:35Z) - Modeling User Preferences via Brain-Computer Interfacing [54.3727087164445]
我々はBrain-Computer Interface技術を用いてユーザの好みを推測し、その注意力は視覚的コンテンツと感情的体験との関連性に相関する。
我々はこれらを,情報検索,生成モデルのパーソナライズされたステアリング,感情経験のクラウドソーシング人口推定など,関連するアプリケーションにリンクする。
論文 参考訳（メタデータ） (2024-05-15T20:41:46Z) - Personalized Forgetting Mechanism with Concept-Driven Knowledge Tracing [16.354428270912138]
概念駆動型パーソナライズドフォーッティング知識追跡モデル(CPF)を提案する。
CPFは知識概念間の階層的な関係を統合し、生徒のパーソナライズされた認知能力を統合する。
我々のCPFは、生徒のパフォーマンスを予測するために、現在の忘れ曲線理論に基づく手法よりも優れています。
論文 参考訳（メタデータ） (2024-04-18T12:28:50Z) - Transition-Aware Multi-Activity Knowledge Tracing [2.9778695679660188]
知識追跡は、学生の学習活動のシーケンスから学生の知識状態をモデル化することを目的としている。
現在のKTソリューションは、非評価学習活動からの学習をモデル化するのに適していない。
遷移対応多行動知識追跡(TAMKOT)を提案する。
論文 参考訳（メタデータ） (2023-01-26T21:49:24Z) - Distilling Knowledge from Self-Supervised Teacher by Embedding Graph
Alignment [52.704331909850026]
我々は、自己指導型事前学習モデルから他の学生ネットワークへ知識を伝達するための新しい知識蒸留フレームワークを定式化した。
自己教師型学習におけるインスタンス識別の精神に触発され,特徴埋め込み空間におけるグラフ定式化によるインスタンスとインスタンスの関係をモデル化する。
蒸留方式は, 学生ネットワーク上での表現学習を促進するために, 自己指導型知識の伝達に柔軟に適用できる。
論文 参考訳（メタデータ） (2022-11-23T19:27:48Z) - MEmoBERT: Pre-training Model with Prompt-based Learning for Multimodal
Emotion Recognition [118.73025093045652]
マルチモーダル感情認識のための事前学習モデル textbfMEmoBERT を提案する。
従来の「訓練前、微妙な」パラダイムとは異なり、下流の感情分類タスクをマスク付きテキスト予測として再構成するプロンプトベースの手法を提案する。
提案するMEMOBERTは感情認識性能を大幅に向上させる。
論文 参考訳（メタデータ） (2021-10-27T09:57:00Z) - Fine-Grained Emotion Prediction by Modeling Emotion Definitions [26.098917459551167]
本研究では,感情定義モデルを用いて,テキスト中の感情の微粒化を予測するための新しいフレームワークを提案する。
我々のモデルは、詳細な感情データセットGoEmotionsの既存の最先端よりも優れています。
論文 参考訳（メタデータ） (2021-07-26T12:11:18Z) - Multitask Learning for Emotion and Personality Detection [17.029426018676997]
本研究では,人格特性と感情行動の相関関係を解明し,新しいマルチタスク学習フレームワークSoGMTLを提案する。
当社の計算効率の高いCNNベースのマルチタスクモデルは、複数の有名なパーソナリティおよび感情データセットにわたる最先端のパフォーマンスを実現します。
論文 参考訳（メタデータ） (2021-01-07T03:09:55Z) - Privileged Knowledge Distillation for Online Action Detection [114.5213840651675]
リアルタイム予測タスクに対処するフレーム単位のラベル付けタスクとして,ビデオ中のオンラインアクション検出(OAD)を提案する。
本稿では,トレーニング段階においてのみ観測可能な未来のフレームを特権情報の一種とみなすオンライン行動検出のための,新たな学習支援型フレームワークを提案する。
論文 参考訳（メタデータ） (2020-11-18T08:52:15Z) - Meta Transfer Learning for Emotion Recognition [42.61707533351803]
本研究では、ある視覚的/聴覚的感情領域から学習した感情知識を、別の視覚的/聴覚的感情領域に伝達できるPathNetに基づく伝達学習手法を提案する。
提案システムは感情認識の性能を向上し,最近提案された微調整/事前学習モデルに基づく伝達学習手法よりも性能が大幅に向上する。
論文 参考訳（メタデータ） (2020-06-23T00:25:28Z) - Explainable Active Learning (XAL): An Empirical Study of How Local
Explanations Impact Annotator Experience [76.9910678786031]
本稿では、最近急増している説明可能なAI(XAI)のテクニックをアクティブラーニング環境に導入することにより、説明可能なアクティブラーニング(XAL)の新たなパラダイムを提案する。
本研究は,機械教育のインタフェースとしてのAI説明の利点として,信頼度校正を支援し,リッチな形式の教示フィードバックを可能にすること,モデル判断と認知作業負荷による潜在的な欠点を克服する効果を示す。
論文 参考訳（メタデータ） (2020-01-24T22:52:18Z)
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。