論文の概要: Optimizing Student Ability Assessment: A Hierarchy Constraint-Aware Cognitive Diagnosis Framework for Educational Contexts
- arxiv url: http://arxiv.org/abs/2412.04488v1
- Date: Thu, 21 Nov 2024 11:37:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-23 16:39:32.537479
- Title: Optimizing Student Ability Assessment: A Hierarchy Constraint-Aware Cognitive Diagnosis Framework for Educational Contexts
- Title（参考訳）: 生徒の能力評価を最適化する:教育文脈における階層的制約を考慮した認知診断フレームワーク
- Authors: Xinjie Sun, Qi Liu, Kai Zhang, Shuanghong Shen, Fei Wang, Yan Zhuang, Zheng Zhang, Weiyin Gong, Shijin Wang, Lina Yang, Xingying Huo,
- Abstract要約: 階層的制約を考慮した認知診断フレームワーク(HCD)を提案する。
HCDは、実際の教育的文脈内での生徒の能力パフォーマンスをより正確に表現することを目的としている。
階層的制約認識機能を既存のモデルと統合し、個人特性とグループ特性の両方の表現を改善する。
- 参考スコア（独自算出の注目度）: 26.287186220848763
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cognitive diagnosis (CD) aims to reveal students' proficiency in specific knowledge concepts. With the increasing adoption of intelligent education applications, accurately assessing students' knowledge mastery has become an urgent challenge. Although existing cognitive diagnosis frameworks enhance diagnostic accuracy by analyzing students' explicit response records, they primarily focus on individual knowledge state, failing to adequately reflect the relative ability performance of students within hierarchies. To address this, we propose the Hierarchy Constraint-Aware Cognitive Diagnosis Framework (HCD), designed to more accurately represent student ability performance within real educational contexts. Specifically, the framework introduces a hierarchy mapping layer to identify students' levels. It then employs a hierarchy convolution-enhanced attention layer for in-depth analysis of knowledge concepts performance among students at the same level, uncovering nuanced differences. A hierarchy inter-sampling attention layer captures performance differences across hierarchies, offering a comprehensive understanding of the relationships among students' knowledge state. Finally, through personalized diagnostic enhancement, the framework integrates hierarchy constraint perception features with existing models, improving the representation of both individual and group characteristics. This approach enables precise inference of students' knowledge state. Research shows that this framework not only reasonably constrains changes in students' knowledge states to align with real educational settings, but also supports the scientific rigor and fairness of educational assessments, thereby advancing the field of cognitive diagnosis.
- Abstract（参考訳）: 認知診断(CD)は、特定の知識概念における生徒の習熟度を明らかにすることを目的としている。
知的教育応用の普及に伴い、学生の知識習得を正確に評価することが急務となっている。
既存の認知診断フレームワークは、学生の明示的な応答記録を分析することによって、診断精度を高めるが、主に個々の知識状態に焦点を当て、階層内の生徒の相対的能力性能を適切に反映しない。
そこで本研究では,実際の教育環境における生徒の能力評価をより正確に表現するために,階層制約認知診断フレームワーク(HCD)を提案する。
具体的には、生徒のレベルを識別する階層マッピング層を導入する。
次に、階層的畳み込みによる注意層を用いて、同じレベルの学生間での知識概念のパフォーマンスの詳細な分析を行い、微妙な違いを明らかにする。
階層間注目層は階層間の性能差を捉え,学生の知識状態間の関係を包括的に理解する。
最後に、パーソナライズされた診断強化により、既存のモデルと階層的制約認識機能を統合し、個人特性とグループ特性の両方の表現を改善した。
このアプローチは、学生の知識状態の正確な推測を可能にする。
この枠組みは、学生の知識状態の変化を合理的に制約するだけでなく、科学的な厳密さと教育評価の公正性をサポートし、認知診断の分野を推し進めている。
関連論文リスト
- Improving Question Embeddings with Cognitiv Representation Optimization for Knowledge Tracing [77.14348157016518]
知識追跡(KT)は,学生の知識状況の変化を追跡し,過去の回答記録に基づいて将来の回答を予測することを目的としている。
KTモデリングに関する最近の研究は、既存の未更新の学習相互作用の記録に基づいて、学生の将来のパフォーマンスを予測することに焦点を当てている。
本稿では、動的プログラミングアルゴリズムを用いて認知表現の構造を最適化する知識追跡モデルのための認知表現最適化を提案する。
論文 参考訳（メタデータ） (2025-04-05T09:32:03Z) - Form-Substance Discrimination: Concept, Cognition, and Pedagogy [55.2480439325792]
本稿では,高等教育におけるカリキュラム開発に欠かせない学習成果として,フォーム・サブスタンス・差別について検討する。
本稿では,カリキュラム設計,評価実践,明示的な指導を通じて,この能力を育成するための実践的戦略を提案する。
論文 参考訳（メタデータ） (2025-04-01T04:15:56Z) - Concept-Aware Latent and Explicit Knowledge Integration for Enhanced Cognitive Diagnosis [13.781755345440914]
認知診断のための概念認識型遅延・明示的知識統合モデル(CLEKI-CD)を提案する。
具体的には、学生の熟達度に応じて多次元ベクトルを構築し、複数の視点から各知識概念のエクササイズ困難を解消する。
我々は認知診断層を併用して、潜在的知識と明示的知識を統合し、さらに認知診断性能を向上させる。
論文 参考訳（メタデータ） (2025-02-04T08:37:16Z) - Enhancing Cognitive Diagnosis by Modeling Learner Cognitive Structure State [3.0103051895985256]
理論的には、個人の認知状態は基本的にその認知構造状態と等価である。
学習者の認知構造は、意味のある学習を促進し、学業成績を形作るのに不可欠である。
論文 参考訳（メタデータ） (2024-12-27T17:41:39Z) - 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) - ReliCD: A Reliable Cognitive Diagnosis Framework with Confidence
Awareness [26.60714613122676]
既存のアプローチは、生徒の熟達度を予測する際の過信の問題に悩まされることが多い。
本稿では,診断フィードバックの信頼性を定量的に評価できる,信頼性認知診断(ReliCD)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-29T07:30:58Z) - Towards the Identifiability and Explainability for Personalized Learner
Modeling: An Inductive Paradigm [36.60917255464867]
本稿では,エンコーダ・デコーダモデルにインスパイアされた新しい応答効率応答パラダイムに基づく,識別可能な認知診断フレームワークを提案する。
診断精度を損なうことなく,ID-CDFが効果的に対処できることが示唆された。
論文 参考訳（メタデータ） (2023-09-01T07:18:02Z) - NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical
Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。
NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文 参考訳（メタデータ） (2023-01-01T12:48:12Z) - Self-supervised Graph Learning for Long-tailed Cognitive Diagnosis [25.78814557029563]
グラフに基づく認知診断を支援するための自己教師付き認知診断(SCD)フレームワークを提案する。
具体的には,グラフのスパースビューを生成するために,特定のルールの下でエッジをドロップするグラフ混乱法を考案した。
論文 参考訳（メタデータ） (2022-10-15T02:57:09Z) - Learning Knowledge Representation with Meta Knowledge Distillation for
Single Image Super-Resolution [82.89021683451432]
単一画像超解像課題に対する教師/学生アーキテクチャに基づくモデルに依存しないメタ知識蒸留法を提案する。
種々の単一画像超解像データセットを用いた実験により,提案手法は既存の知識表現関連蒸留法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2022-07-18T02:41:04Z) - UIILD: A Unified Interpretable Intelligent Learning Diagnosis Framework
for Intelligent Tutoring Systems [8.354034992258482]
深層学習の強力な表現学習能力と心理メトリクスの解釈可能性から,統合的解釈可能な知的学習診断(UIILD)フレームワークが有用である。
本稿では,2チャンネル学習診断機構 LDM-ID と3チャンネル学習診断機構 LDM-HMI を提案する。
論文 参考訳（メタデータ） (2022-07-07T07:04:22Z) - Generalized Knowledge Distillation via Relationship Matching [53.69235109551099]
よく訓練されたディープニューラルネットワーク(いわゆる「教師」)の知識は、同様のタスクを学ぶのに有用である。
知識蒸留は教師から知識を抽出し、対象モデルと統合する。
教師に学生と同じ仕事をさせる代わりに、一般のラベル空間から訓練を受けた教師の知識を借りる。
論文 参考訳（メタデータ） (2022-05-04T06:49:47Z) - Hierarchical Reinforcement Learning for Automatic Disease Diagnosis [52.111516253474285]
政策学習のための対話システムに2段階の階層的な政策構造を統合することを提案する。
提案した政策構造は,多くの疾患や症状を含む診断問題に対処することができる。
論文 参考訳（メタデータ） (2020-04-29T15:02:41Z)
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。