論文の概要: Deep Knowledge Tracing for Personalized Adaptive Learning at Historically Black Colleges and Universities

• arxiv url: http://arxiv.org/abs/2410.13876v1
• Date: Wed, 02 Oct 2024 17:42:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-27 06:14:50.978219
• Title: Deep Knowledge Tracing for Personalized Adaptive Learning at Historically Black Colleges and Universities
• Title（参考訳）: 歴史ある黒人大学・大学におけるパーソナライズド・アダプティブ・ラーニングのためのディープ・ナレッジ・トラクション
• Authors: Ming-Mu Kuo, Xiangfang Li, Lijun Qian, Pamela Obiomon, Xishuang Dong,
• Abstract要約: 本研究では,HBCUsにおけるSTEM教育におけるPAL実装のためのDKTに関する包括的データセットを構築した。 このデータセットには、プレーリービューA&M大学の8つのカレッジの17,181人の大学生を対象に、352,148の学習記録が含まれている。 実験により,学生の学術的成果を正確に予測する上で,DKTモデルの有効性が示された。
• 参考スコア（独自算出の注目度）: 1.2979015577834876
• License:
• Abstract: Personalized adaptive learning (PAL) stands out by closely monitoring individual students' progress and tailoring their learning paths to their unique knowledge and needs. A crucial technique for effective PAL implementation is knowledge tracing, which models students' evolving knowledge to predict their future performance. Recent advancements in deep learning have significantly enhanced knowledge tracing through Deep Knowledge Tracing (DKT). However, there is limited research on DKT for Science, Technology, Engineering, and Math (STEM) education at Historically Black Colleges and Universities (HBCUs). This study builds a comprehensive dataset to investigate DKT for implementing PAL in STEM education at HBCUs, utilizing multiple state-of-the-art (SOTA) DKT models to examine knowledge tracing performance. The dataset includes 352,148 learning records for 17,181 undergraduate students across eight colleges at Prairie View A&M University (PVAMU). The SOTA DKT models employed include DKT, DKT+, DKVMN, SAKT, and KQN. Experimental results demonstrate the effectiveness of DKT models in accurately predicting students' academic outcomes. Specifically, the SAKT and KQN models outperform others in terms of accuracy and AUC. These findings have significant implications for faculty members and academic advisors, providing valuable insights for identifying students at risk of academic underperformance before the end of the semester. Furthermore, this allows for proactive interventions to support students' academic progress, potentially enhancing student retention and graduation rates.
• Abstract（参考訳）: パーソナライズド・アダプティブ・ラーニング(PAL: Personalized Adaptive Learning)は、個々の生徒の進捗を綿密に監視し、学習経路を独自の知識とニーズに合わせることで際立っている。 PALを効果的に実装するための重要なテクニックは知識追跡であり、学生の進化した知識をモデル化して将来の性能を予測する。 近年のディープラーニングの進歩は、Deep Knowledge Tracing (DKT)による知識追跡を著しく強化している。 しかし、歴史黒人大学(HBCU)におけるDKT for Science, Technology, Engineering, and Math (STEM)教育についての研究は限られている。 本研究では,HBCUsにおけるSTEM教育におけるPAL実装のためのDKTの包括的データセットを構築し,複数の最先端(SOTA)DKTモデルを用いて知識追跡性能について検討する。 データセットには、プレーリービューA&M大学(PVAMU)の8校にわたる17,181人の大学生を対象とした352,148の学習記録が含まれている。 SOTA DKTモデルには、DKT、DKT+、DKVMN、SAKT、KQNが含まれる。 実験により,学生の学術的成果を正確に予測する上で,DKTモデルの有効性が示された。 具体的には、SAKTとKQNモデルは精度とAUCで他より優れている。 これらの知見は,学部生や教育顧問にとって重要な意味を持ち,学期の終わりまでに学力不足のリスクを負う学生を識別するための貴重な洞察を与えてくれる。 さらに、学生の学術的進歩を積極的に支援し、留学生の保持率と卒業率を高めることができる。

関連論文リスト

• Speculative Knowledge Distillation: Bridging the Teacher-Student Gap Through Interleaved Sampling [81.00825302340984]
  本研究では,高品質なトレーニングデータを生成するために,投機的知識蒸留(SKD)を導入する。 SKDでは、学生はトークンを提案し、教師はそれ自身の分布に基づいて低いランクのトークンを置き換える。 翻訳,要約,数学,指示文など,各種テキスト生成タスクにおけるSKDの評価を行った。
  論文  参考訳（メタデータ） (2024-10-15T06:51:25Z)
• Personalized Knowledge Tracing through Student Representation Reconstruction and Class Imbalance Mitigation [32.52262417461651]
  知識追跡とは、学習過程を分析することによって、学生の将来のパフォーマンスを予測する手法である。 近年の研究は、強力なディープニューラルネットワークを活用することで大きな進歩を遂げている。 パーソナライズされた知識追跡のための新しいアプローチであるPKTを提案する。
  論文  参考訳（メタデータ） (2024-09-10T07:02:46Z)
• 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)
• Enhancing Deep Knowledge Tracing via Diffusion Models for Personalized Adaptive Learning [1.2248793682283963]
  本研究は、学習記録におけるデータ不足問題に取り組み、パーソナライズされた適応学習(PAL)のためのDKT性能を向上させることを目的とする。 拡散モデルであるTabDDPMを用いて合成教育記録を生成し、DKTの強化のためのトレーニングデータを強化する。 実験結果から,TabDDPMによるAI生成データにより,DKTの性能が著しく向上することが示された。
  論文  参考訳（メタデータ） (2024-04-25T00:23:20Z)
• Comparative Knowledge Distillation [102.35425896967791]
  伝統的な知識蒸留(KD)は、頻繁な推論のために教師モデルに容易にアクセスできることを前提としている。 本稿では,教師モデルにおけるサンプルの解釈の微妙な違いを学生モデルに理解させるための比較知識蒸留(CKD)を提案する。 CKDは、アートデータ拡張とKDテクニックの状態を一貫して上回る。
  論文  参考訳（メタデータ） (2023-11-03T21:55:33Z)
• DKT-STDRL: Spatial and Temporal Representation Learning Enhanced Deep Knowledge Tracing for Learning Performance Prediction [11.75131482747055]
  DKT-STDRLモデルは、学生の運動シーケンスの空間的特徴情報を抽出するためにCNNを使用する。 BiLSTM部は、共同学習特徴から時間的特徴を抽出し、次のステップで学生が正しく答えるかどうかの予測情報を得る。 ASSISTment2009, ASSISTment2015, Synthetic-5, ASSISTchall, Statics 2011 の公開教育データセットの実験は、DKT-STDRLがDKTやCKTよりも優れた予測効果を達成できることを証明している。
  論文  参考訳（メタデータ） (2023-02-15T09:23:21Z)
• Interpretable Knowledge Tracing: Simple and Efficient Student Modeling with Causal Relations [21.74631969428855]
  解釈可能な知識追跡(英: Interpretable Knowledge Tracing, IKT)は、3つの有意義な潜在機能に依存する単純なモデルである。 IKTの将来の学生成績予測は、Tree-Augmented Naive Bayes (TAN) を用いて行われる。 IKTは、現実世界の教育システムにおいて、因果推論を用いた適応的でパーソナライズされた指示を提供する大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2021-12-15T19:05:48Z)
• Pre-Trained Models: Past, Present and Future [126.21572378910746]
  大規模事前訓練モデル(PTM)は近年大きな成功を収め、人工知能(AI)分野におけるマイルストーンとなった。 知識を巨大なパラメータに格納し、特定のタスクを微調整することで、巨大なパラメータに暗黙的にエンコードされた豊富な知識は、さまざまな下流タスクの恩恵を受けることができる。 AIコミュニティが、モデルをスクラッチから学習するのではなく、下流タスクのバックボーンとしてPTMを採用することは、今、コンセンサスになっている。
  論文  参考訳（メタデータ） (2021-06-14T02:40:32Z)
• A Survey of Knowledge Tracing: Models, Variants, and Applications [70.69281873057619]
  知識追跡は、学生の行動データ分析の基本的なタスクの1つである。 我々は、異なる技術経路を持つ3種類の基本KTモデルを示す。 この急速に成長する分野における今後の研究の方向性について論じる。
  論文  参考訳（メタデータ） (2021-05-06T13:05:55Z)
• Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
  パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。 近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
  論文  参考訳（メタデータ） (2021-01-19T12:23:32Z)
• BKT-LSTM: Efficient Student Modeling for knowledge tracing and student performance prediction [0.24366811507669117]
  BKT-LSTMと呼ばれる効率的な学生モデルを提案する。 bktによって評価された個々のtextitskill mastery、k-meansクラスタリングとtextitproblemの難易度によって検出されるtextitability profile(スキル間の学習転送)である。
  論文  参考訳（メタデータ） (2020-12-22T18:05:36Z)

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。