論文の概要: Integrating Attentional Factors and Spacing in Logistic Knowledge Tracing Models to Explore the Impact of Training Sequences on Category Learning

• arxiv url: http://arxiv.org/abs/2407.15020v1
• Date: Sat, 22 Jun 2024 20:22:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-28 18:39:09.749499
• Title: Integrating Attentional Factors and Spacing in Logistic Knowledge Tracing Models to Explore the Impact of Training Sequences on Category Learning
• Title（参考訳）: 論理的知識追跡モデルにおける意図的要因とスペーシングを統合して学習順序がカテゴリー学習に与える影響を探索する
• Authors: Meng Cao, Philip I. Pavlik Jr., Wei Chu, Liang Zhang,
• Abstract要約: 本研究は,ロジスティック・ナレッジ・トレーシング(LKT)モデルに注意要素とスペーシングを取り入れた新しい手法を提案する。 その結果,AFM(Additive Factors Model)に注意要素とスペーシング特徴を組み込むことで,インターリービングとブロッキングの効果を捉える能力が著しく向上することが判明した。
• 参考スコア（独自算出の注目度）: 37.80414603767789
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In category learning, a growing body of literature has increasingly focused on exploring the impacts of interleaving in contrast to blocking. The sequential attention hypothesis posits that interleaving draws attention to the differences between categories while blocking directs attention toward similarities within categories. Although a recent study underscores the joint influence of memory and attentional factors on sequencing effects, there remains a scarcity of effective computational models integrating both attentional and memory considerations to comprehensively understand the effect of training sequences on students' performance. This study introduces a novel integration of attentional factors and spacing into the logistic knowledge tracing (LKT) models to monitor students' performance across different training sequences (interleaving and blocking). Attentional factors were incorporated by recording the counts of comparisons between adjacent trials, considering whether they belong to the same or different category. Several features were employed to account for temporal spacing. We used cross-validations to test the model fit and predictions on the learning session and posttest. Our findings reveal that incorporating both attentional factors and spacing features in the Additive Factors Model (AFM) significantly enhances its capacity to capture the effects of interleaving and blocking and demonstrates superior predictive accuracy for students' learning outcomes. By bridging the gap between attentional factors and memory processes, our computational approach offers a more comprehensive framework for understanding and predicting category learning outcomes in educational settings.
• Abstract（参考訳）: カテゴリー学習では、ブロックとは対照的に、インターリービングの影響を探求する文献が増えている。 逐次的注意仮説は、インターリービングはカテゴリ間の差異に注意を向け、ブロックはカテゴリ内の類似性に注意を向ける、という仮説である。 近年の研究では、記憶と注意要素の協調的影響がシークエンシング効果に与える影響を浮き彫りにしているが、学生のパフォーマンスに与える影響を総合的に理解するために、注意と記憶の両方を統合した効果的な計算モデルが不足している。 本研究は,留学生の学習シーケンス(インターリービングとブロッキング)におけるパフォーマンスを監視するために,注目要因の新たな統合とロジスティック・ナレッジ・トレース(LKT)モデルへのスペーシングを提案する。 目的因子は, 同一又は異なるカテゴリーに属するか否かを考慮し, 隣接臨床試験の比較回数を記録することで構成した。 時間間隔を考慮するためにいくつかの特徴が採用された。 モデルの適合性テストや,学習セッションやテスト後の予測にクロスバリデーションを使用した。 その結果,AFM(Additive Factors Model)に注意要素とスペーシング特徴を組み込むことによって,インターリーブとブロッキングの効果を捉える能力が著しく向上し,学生の学習結果の予測精度が向上することが判明した。 注意要因と記憶過程のギャップを埋めることで、我々の計算手法は、教育環境におけるカテゴリ学習の結果を理解し予測するためのより包括的なフレームワークを提供する。

関連論文リスト

• In-context Contrastive Learning for Event Causality Identification [26.132189768472067]
  事象因果同定は、2つの事象間の因果関係の存在を決定することを目的としている。 最近の素早い学習ベースのアプローチは、ECIタスクに有望な改善を示している。 本稿では,コントラスト学習を利用したインコンテキストコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-17T03:32:15Z)
• Controllable Relation Disentanglement for Few-Shot Class-Incremental Learning [82.79371269942146]
  本稿では,FewShot Class-Incremental Learning (FSCIL) を新たな視点,すなわち関係の絡み合いから扱うことを提案する。 急激な相関関係を切り離すことの課題は、FSCILの制御性が悪いことである。 我々は、CTRL-FSCIL(Controllable Relation-disentang FewShot Class-Incremental Learning)と呼ばれる、新しいシンプルな効果のある手法を提案する。
  論文  参考訳（メタデータ） (2024-03-17T03:16:59Z)
• Active and Passive Causal Inference Learning [51.91564516458894]
  本稿では,因果推論に関心を持つ機械学習研究者,技術者,学生の出発点となる。 まず、因果同定に総合的に必要とされる重要な仮定のセットを配置することから始めます。 私たちは、それらを2つのバケット、アクティブとパッシブのアプローチに分類することで、重要な因果推論テクニックのセットを構築します。
  論文  参考訳（メタデータ） (2023-08-18T02:23:48Z)
• Cluster-aware Contrastive Learning for Unsupervised Out-of-distribution Detection [0.0]
  教師なしアウト・オブ・ディストリビューション(OOD)検出は、ラベル情報なしでトレーニングデータの分布外に落下するサンプルを分離することを目的としている。 本稿では,インスタンスレベルの情報と意味レベルの情報の両方を考慮した,教師なしOOD検出のためのクラスタ対応コントラスト学習(CCL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-06T07:21:03Z)
• Efficient Modelling Across Time of Human Actions and Interactions [92.39082696657874]
  3つの畳み込みニューラルネットワーク(CNND)における現在の固定サイズの時間的カーネルは、入力の時間的変動に対処するために改善できると主張している。 我々は、アーキテクチャの異なるレイヤにまたがる機能の違いを強化することで、アクションのクラス間でどのようにうまく対処できるかを研究する。 提案手法は、いくつかのベンチマークアクション認識データセットで評価され、競合する結果を示す。
  論文  参考訳（メタデータ） (2021-10-05T15:39:11Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Impact of Attention on Adversarial Robustness of Image Classification Models [0.9176056742068814]
  ディープラーニングモデルに対するアドリアック攻撃が注目されている。 近年の研究では、これらの攻撃からモデルを守るための敵の例や技法の存在について説明がされている。 この研究は、相手の強靭性に対する注意の影響の一般的な理解を目的としている。
  論文  参考訳（メタデータ） (2021-09-02T13:26:32Z)
• Multi-Factors Aware Dual-Attentional Knowledge Tracing [0.0]
  学生の学習の進捗をモデル化するためのマルチファクター・アウェア・デュアル・アテンショナル・モデル(MF-DAKT)を提案する。 質問表現を豊かにするために,事前学習法を用いて2種類の質問情報を組み込む。 また、因子の寄与と要因の相互作用を最終予測に区別するために、二重注意機構を適用した。
  論文  参考訳（メタデータ） (2021-08-10T15:03:28Z)
• Spectrum-Guided Adversarial Disparity Learning [52.293230153385124]
  本稿では,新たなエンド・ツー・エンドの知識指向学習フレームワークを提案する。 2つの競合符号化分布を用いてクラス条件付きクラス内不一致を表現し、学習された不一致を識別することで精製された潜伏符号を学習する。 4つのHARベンチマークデータセットに対する実験により,提案手法の頑健性と,最先端の手法による一般化が実証された。
  論文  参考訳（メタデータ） (2020-07-14T05:46:27Z)

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。