論文の概要: A Dual-Fusion Cognitive Diagnosis Framework for Open Student Learning Environments

• arxiv url: http://arxiv.org/abs/2410.15054v1
• Date: Sat, 19 Oct 2024 10:12:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:12:56.136710
• Title: A Dual-Fusion Cognitive Diagnosis Framework for Open Student Learning Environments
• Title（参考訳）: オープン・ラーニング環境のためのデュアルフュージョン認知診断フレームワーク
• Authors: Yuanhao Liu, Shuo Liu, Yimeng Liu, Jingwen Yang, Hong Qian,
• Abstract要約: 本稿では,2つの異なるモダリティを整合させる上での課題を解決するために,二重融合認知診断フレームワーク(DFCD)を提案する。 実験の結果,DFCDはオープンな学習環境において,異なるモダリティと強い適応性を統合することにより,優れた性能を発揮することが示された。
• 参考スコア（独自算出の注目度）: 10.066184572184627
• License:
• Abstract: Cognitive diagnosis model (CDM) is a fundamental and upstream component in intelligent education. It aims to infer students' mastery levels based on historical response logs. However, existing CDMs usually follow the ID-based embedding paradigm, which could often diminish the effectiveness of CDMs in open student learning environments. This is mainly because they can hardly directly infer new students' mastery levels or utilize new exercises or knowledge without retraining. Textual semantic information, due to its unified feature space and easy accessibility, can help alleviate this issue. Unfortunately, directly incorporating semantic information may not benefit CDMs, since it does not capture response-relevant features and thus discards the individual characteristics of each student. To this end, this paper proposes a dual-fusion cognitive diagnosis framework (DFCD) to address the challenge of aligning two different modalities, i.e., textual semantic features and response-relevant features. Specifically, in DFCD, we first propose the exercise-refiner and concept-refiner to make the exercises and knowledge concepts more coherent and reasonable via large language models. Then, DFCD encodes the refined features using text embedding models to obtain the semantic information. For response-related features, we propose a novel response matrix to fully incorporate the information within the response logs. Finally, DFCD designs a dual-fusion module to merge the two modal features. The ultimate representations possess the capability of inference in open student learning environments and can be also plugged in existing CDMs. Extensive experiments across real-world datasets show that DFCD achieves superior performance by integrating different modalities and strong adaptability in open student learning environments.
• Abstract（参考訳）: 認知診断モデル(CDM)は知的教育における基礎的かつ上流的な要素である。 過去の対応ログに基づいて,学生の熟達度を推定することを目的とする。 しかし、既存のCDMは通常、IDベースの埋め込みパラダイムに従い、オープンな学習環境におけるCDMの有効性を低下させる可能性がある。 これは主に、新入生の熟達度を直接推測したり、再訓練せずに新しい演習や知識を活用できないためである。 テキストの意味情報は、その統合された機能空間とアクセシビリティにより、この問題を軽減するのに役立ちます。 残念ながら、セマンティック情報を直接組み込むことは、反応関連の特徴を捉えず、各生徒の個々の特徴を捨ててしまうため、CDMにとって利益にならないかもしれない。 そこで本研究では, テキスト意味的特徴と応答関連特徴という2つの異なるモダリティを整合させる上での課題を解決するために, 二重融合認知診断フレームワーク(DFCD)を提案する。 具体的には、DFCDにおいて、エクササイズと知識の概念をより整合的かつ合理的にするために、エクササイズ・リファイナとコンセプト・リファイナを提案する。 そして、DFCDはテキスト埋め込みモデルを用いて精巧な特徴を符号化し、意味情報を得る。 そこで本研究では,応答ログに情報を完全に組み込む新しい応答行列を提案する。 最後に、DFCDは2つのモード特徴をマージするデュアルフュージョンモジュールを設計した。 究極の表現は、オープンな学習環境において推論能力を持ち、既存のCDMにプラグインすることもできる。 実世界のデータセットにまたがる大規模な実験により、DFCDは、オープンな学習環境において、異なるモダリティと強力な適応性を統合することにより、優れた性能を達成することが示された。

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)
• Distilling Vision-Language Foundation Models: A Data-Free Approach via Prompt Diversification [49.41632476658246]
  我々は、数十億レベルの画像テキストデータセットにアクセスすることなく、DFKDをVision-Language Foundation Modelsに拡張することについて議論する。 目的は,配当に依存しないダウンストリームタスクに対して,与えられたカテゴリ概念を学生モデルにカスタマイズすることである。 本稿では,多様なスタイルで画像合成を促進するために,3つの新しいプロンプト分岐法を提案する。
  論文  参考訳（メタデータ） (2024-07-21T13:26:30Z)
• ORCDF: An Oversmoothing-Resistant Cognitive Diagnosis Framework for Student Learning in Online Education Systems [14.453681018572977]
  認知診断モデル(CDM)は、生徒の反応ログを用いて、生徒の熟達度を学習するように設計されている。 既存のCDMによって達成された成功にもかかわらず、学習者の熟達レベルが似すぎているという厄介な問題に悩まされていることがわかった。 本稿では,既存のCDMを増強するために,過平滑化耐性認知診断フレームワーク(ORCDF)を提案する。
  論文  参考訳（メタデータ） (2024-06-28T16:42:53Z)
• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• Inductive Cognitive Diagnosis for Fast Student Learning in Web-Based Online Intelligent Education Systems [9.907875032214996]
  本稿では,WOIESにおける学習者の素早い熟達度推定のための帰納的認知診断モデルを提案する。 この表現を得るために、ICDMは、構築集約世代変換プロセスからなる。 実世界のデータセットにまたがる実験では、常にトランスダクティブである既存の認知診断手法と比較して、ICDMの方がはるかに高速であることが示されている。
  論文  参考訳（メタデータ） (2024-04-17T11:55:43Z)
• Enhancing Information Maximization with Distance-Aware Contrastive Learning for Source-Free Cross-Domain Few-Shot Learning [55.715623885418815]
  クロスドメインのFew-Shot Learningメソッドは、トレーニング前のフェーズでモデルをトレーニングするために、ソースドメインデータにアクセスする必要がある。 データプライバシやデータ送信やトレーニングコストの削減に対する懸念が高まっているため,ソースデータにアクセスせずにCDFSLソリューションを開発する必要がある。 本稿では,これらの課題に対処するための距離対応コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-03-04T12:10:24Z)
• Improving Cognitive Diagnosis Models with Adaptive Relational Graph Neural Networks [33.76551090755183]
  認知診断(CD)アルゴリズムは、様々な知識概念に基づいて生徒の能力を推定することで学生を支援する。 近年,学生による2部グラフの構築と導入が診断性能の向上に有用であることが報告されている。 本稿では, 適応セマンティックグラフに基づく認知診断モデル (ASG-CD) を提案する。
  論文  参考訳（メタデータ） (2024-02-15T14:12:38Z)
• Symbolic Cognitive Diagnosis via Hybrid Optimization for Intelligent Education Systems [11.068126651925425]
  本稿では,一般化と解釈性を同時に向上するシンボリック認知診断(SCD)フレームワークを提案する。 SCDフレームワークはシンボリックツリーを組み込んで、複雑な学生-運動相互作用関数を明示的に表現する。 交互にデリバティブな遺伝的プログラミングによってシンボルツリーを学習し、勾配に基づくアダムを通じて学生と運動パラメータを学習する。
  論文  参考訳（メタデータ） (2023-12-30T09:40:10Z)
• Dual Semantic Knowledge Composed Multimodal Dialog Systems [114.52730430047589]
  本稿では,MDS-S2という新しいマルチモーダルタスク指向対話システムを提案する。 コンテキスト関連属性と関係知識を知識ベースから取得する。 また、合成された応答表現から意味情報を抽出するために、潜在クエリ変数のセットを考案する。
  論文  参考訳（メタデータ） (2023-05-17T06:33:26Z)
• elBERto: Self-supervised Commonsense Learning for Question Answering [131.51059870970616]
  本稿では、市販QAモデルアーキテクチャと互換性のあるコモンセンスフレームワークの自己教師型双方向表現学習を提案する。 このフレームワークは5つの自己教師型タスクから構成されており、リッチコモンセンスを含むコンテキストから追加のトレーニング信号を完全に活用するようモデルに強制する。 elBERtoは、単純な語彙的類似性比較が役に立たないような、アウト・オブ・パラグラフや非エフェクトな問題に対して、大幅に改善されている。
  論文  参考訳（メタデータ） (2022-03-17T16:23:45Z)
• PIN: A Novel Parallel Interactive Network for Spoken Language Understanding [68.53121591998483]
  既存の RNN ベースのアプローチでは、ID と SF のタスクは、それらの間の相関情報を利用するために、しばしば共同でモデル化される。 SNIPSとATISという2つのベンチマークデータセットによる実験は、我々のアプローチの有効性を実証している。 さらに,事前学習した言語モデルBERTが生成した発話の特徴埋め込みを用いて,提案手法はすべての比較手法の中で最先端の手法を実現する。
  論文  参考訳（メタデータ） (2020-09-28T15:59:31Z)

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。