論文の概要: How to quantify an examination? Evidence from physics examinations via complex networks

• arxiv url: http://arxiv.org/abs/2407.13161v1
• Date: Thu, 18 Jul 2024 05:06:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-19 16:51:58.133046
• Title: How to quantify an examination? Evidence from physics examinations via complex networks
• Title（参考訳）: 検査の定量化法 : 複雑なネットワークによる物理検査からの証拠
• Authors: Min Xia, Zhu Su, Weibing Deng, Xiumei Feng, Benwei Zhang,
• Abstract要約: 試験のナレッジポイントネットワーク(KPN)は、ナレッジポイント(概念、法律等)をノードとして表現し、これらのポイントが同じ質問に現れるとリンクを追加することにより構成される。 構築されたKPNは、ほとんどの場合、強いアソシティと小さな世界効果を示すスケールフリーネットワークであることが判明した。 KPN内のコミュニティは明らかであり、キーノードは主に力学と電磁磁気に関係している。
• 参考スコア（独自算出の注目度）: 1.8976969643491577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given the untapped potential for continuous improvement of examinations, quantitative investigations of examinations could guide efforts to considerably improve learning efficiency and evaluation and thus greatly help both learners and educators. However, there is a general lack of quantitative methods for investigating examinations. To address this gap, we propose a new metric via complex networks; i.e., the knowledge point network (KPN) of an examination is constructed by representing the knowledge points (concepts, laws, etc.) as nodes and adding links when these points appear in the same question. Then, the topological quantities of KPNs, such as degree, centrality, and community, can be employed to systematically explore the structural properties and evolution of examinations. In this work, 35 physics examinations from the NCEE examination spanning from 2006 to 2020 were investigated as an evidence. We found that the constructed KPNs are scale-free networks that show strong assortativity and small-world effects in most cases. The communities within the KPNs are obvious, and the key nodes are mainly related to mechanics and electromagnetism. Different question types are related to specific knowledge points, leading to noticeable structural variations in KPNs. Moreover, changes in the KPN topology between examinations administered in different years may offer insights guiding college entrance examination reforms. Based on topological quantities such as the average degree, network density, average clustering coefficient, and network transitivity, the Fd is proposed to evaluate examination difficulty. All the above results show that our approach can comprehensively quantify the knowledge structures and examination characteristics. These networks may elucidate comprehensive examination knowledge graphs for educators and guide improvements in teaching.
• Abstract（参考訳）: 検査の継続的な改善のための未解決の可能性を考えると、定量的調査は学習効率と評価を大幅に向上させる努力を導き、学習者と教育者の双方にとって大きな助けとなる。 しかし、検査の量的方法の欠如が一般的である。 このギャップに対処するため、我々は、複雑なネットワークを介して、知識ポイントネットワーク(KPN)をノードとして表現し、これらのポイントが同じ質問に現れるとリンクを追加することによって、試験の知識ポイントネットワーク(KPN)を構築することを提案する。 次に,KPNのトポロジカルな量(度数,中心性,地域社会など)を用いて,試験の構造的特性と進化を体系的に探求することができる。 本研究は,2006年から2020年までのNCEE試験における35の物理試験を証拠として検討した。 構築されたKPNは、ほとんどの場合、強いアソシティと小さな世界効果を示すスケールフリーネットワークであることが判明した。 KPN内のコミュニティは明らかであり、キーノードは主に力学と電磁磁気に関係している。 異なる質問タイプは特定の知識ポイントと関連付けられており、KPNの顕著な構造変化をもたらす。 さらに,KPNトポロジの変化は,大学入学試験の改革を導く洞察を与える可能性がある。 Fdは, 平均度, ネットワーク密度, 平均クラスタリング係数, ネットワーク推移率などのトポロジー量に基づいて, 試験の難易度を評価する。 これらの結果は,本手法が知識構造と検査特性を包括的に定量化できることを示唆している。 これらのネットワークは、教育者のための総合的な試験知識グラフを解明し、教育改善の指針となる。

関連論文リスト

• Disentangling Heterogeneous Knowledge Concept Embedding for Cognitive Diagnosis on Untested Knowledge [16.126762028648436]
  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。
  論文  参考訳（メタデータ） (2024-05-25T01:49:54Z)
• Deep Structural Knowledge Exploitation and Synergy for Estimating Node Importance Value on Heterogeneous Information Networks [44.032793988845896]
  本稿では,新しい学習フレームワークSKESを提案する。 これは、ノード表現の情報性を高めるために異種構造知識を利用する。 広範に評価された3つのベンチマークに対する大規模な実験は、最近の競合するいくつかの手法よりもSKESの性能上の優位性を実証している。
  論文  参考訳（メタデータ） (2024-02-19T02:34:23Z)
• How connectivity structure shapes rich and lazy learning in neural circuits [14.236853424595333]
  本稿では,初期重みの構造,特にその有効ランクがネットワーク学習体制に与える影響について検討する。 本研究は,学習体制形成における初期重み構造の役割を明らかにするものである。
  論文  参考訳（メタデータ） (2023-10-12T17:08:45Z)
• 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)
• Learning to Detect Critical Nodes in Sparse Graphs via Feature Importance Awareness [53.351863569314794]
  クリティカルノード問題(CNP)は、削除が残余ネットワークのペア接続性を最大に低下させるネットワークから臨界ノードの集合を見つけることを目的としている。 本研究は,ノード表現のための特徴重要度対応グラフアテンションネットワークを提案する。 ダブルディープQネットワークと組み合わせて、初めてCNPを解くエンドツーエンドのアルゴリズムを作成する。
  論文  参考訳（メタデータ） (2021-12-03T14:23:05Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• PEAK SHIFT ESTIMATION A novel method to estimate ranking of selectively omitted examination data [0.0]
  結果データを「選択的に省略された検査データ」と呼ぶ。 この種の試験の例としては、大学入学試験、認定試験、学生の就職活動の結果がある。 選択的に省略された試験データに基づいて,試験の難易度を推定する新しい手法,ピークシフト推定法を提案する。
  論文  参考訳（メタデータ） (2021-03-09T15:11:00Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)
• AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
  グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。 半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。 実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
  論文  参考訳（メタデータ） (2020-07-05T08:16:03Z)
• Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
  グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
  論文  参考訳（メタデータ） (2020-06-23T04:13:23Z)

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。