論文の概要: A Systematic Review of Knowledge Tracing and Large Language Models in Education: Opportunities, Issues, and Future Research

• arxiv url: http://arxiv.org/abs/2412.09248v1
• Date: Thu, 12 Dec 2024 13:00:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-13 17:02:09.755131
• Title: A Systematic Review of Knowledge Tracing and Large Language Models in Education: Opportunities, Issues, and Future Research
• Title（参考訳）: 教育における知識追跡と大規模言語モデルに関する体系的レビュー : 機会・課題・今後の研究
• Authors: Yongwan Cho, Rabia Emhamed AlMamlook, Tasnim Gharaibeh,
• Abstract要約: 大規模言語モデル(LLM)は、広大な自然言語データセット上で事前訓練されている。 本研究は,KTモデルとLLMを教育的文脈で組み合わせる際の共通点,機会,課題について考察する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Knowledge Tracing (KT) is a research field that aims to estimate a student's knowledge state through learning interactions-a crucial component of Intelligent Tutoring Systems (ITSs). Despite significant advancements, no current KT models excel in both predictive accuracy and interpretability. Meanwhile, Large Language Models (LLMs), pre-trained on vast natural language datasets, have emerged as powerful tools with immense potential in various educational applications. This systematic review explores the intersections, opportunities, and challenges of combining KT models and LLMs in educational contexts. The review first investigates LLM applications in education, including their adaptability to domain-specific content and ability to support personalized learning. It then examines the development and current state of KT models, from traditional to advanced approaches, aiming to uncover potential challenges that LLMs could mitigate. The core of this review focuses on integrating LLMs with KT, exploring three primary functions: addressing general concerns in KT fields, overcoming specific KT model limitations, and performing as KT models themselves. Our findings reveal that LLMs can be customized for specific educational tasks through tailor-making techniques such as in-context learning and agent-based approaches, effectively managing complex and unbalanced educational data. These models can enhance existing KT models' performance and solve cold-start problems by generating relevant features from question data. However, both current models depend heavily on structured, limited datasets, missing opportunities to use diverse educational data that could offer deeper insights into individual learners and support various educational settings.
• Abstract（参考訳）: KT(Knowledge Tracing)は、知的学習システム(ITS)の重要なコンポーネントであるインタラクションを学習することで、学生の知識状態を推定することを目的とした研究分野である。 大幅な進歩にもかかわらず、現在のKTモデルは予測精度と解釈可能性の両方で優れているものはない。 一方、膨大な自然言語データセットに基づいて事前訓練されたLarge Language Models (LLMs) は、様々な教育応用において大きな可能性を持つ強力なツールとして登場した。 本研究は,KTモデルとLLMを教育的文脈で組み合わせる際の共通点,機会,課題について考察する。 このレビューは、まず、ドメイン固有のコンテンツへの適応性やパーソナライズされた学習を支援する能力など、教育におけるLLMの適用について調査する。 次に、従来のアプローチから先進的なアプローチまでKTモデルの開発と現状を調べ、LLMが緩和できる潜在的な課題を明らかにすることを目的とする。 本レビューのコアとなるのは,KT と LLM の統合,KT の分野における一般的な懸念への対処,特定の KT モデル制限の克服,KT モデル自体の実行という,3つの主要な機能に関するものだ。 本研究の結果から,LLMはテキスト内学習やエージェントベースアプローチなどのカスタマイズ技術によって,複雑な教育データと不均衡な教育データを効果的に管理することで,特定の教育タスクにカスタマイズできることが判明した。 これらのモデルは既存のKTモデルの性能を高め、質問データから関連する特徴を生成することでコールドスタート問題を解決することができる。 しかし、どちらのモデルも、構造化された限られたデータセットに大きく依存しており、個々の学習者に対する深い洞察を与え、様々な教育的設定をサポートする、多様な教育データを使用する機会を欠いている。

関連論文リスト

• The Inherent Limits of Pretrained LLMs: The Unexpected Convergence of Instruction Tuning and In-Context Learning Capabilities [51.594836904623534]
  本研究は,インコンテキストの例を用いて誘導されるベースモデルと,命令調整モデルが根本的に異なる機能を持つかどうかを考察する。 命令調整モデルの性能は,基本モデルのコンテキスト内性能と大きく相関していることを示す。 具体的には、この理解を命令付きモデルに拡張し、事前学習データも同様に、解決可能なタスクの制限境界を設定することを示唆する。
  論文  参考訳（メタデータ） (2025-01-15T10:57:55Z)
• Beyond Right and Wrong: Mitigating Cold Start in Knowledge Tracing Using Large Language Model and Option Weight [0.14999444543328289]
  知識追跡(KT)は教育データマイニングにおいて不可欠であり、パーソナライズされた学習を可能にする。 本研究では,LOKT(Large Language Model Option-weighted Knowledge Tracing)モデルを導入し,コールドスタート問題に対処する。
  論文  参考訳（メタデータ） (2024-10-14T16:25:48Z)
• SINKT: A Structure-Aware Inductive Knowledge Tracing Model with Large Language Model [64.92472567841105]
  知識追跡(KT)は、学生が次の質問に正しく答えるかどうかを判断することを目的としている。 大規模言語モデルを用いた構造認識帰納的知識追跡モデル(SINKT) SINKTは、学生の知識状態と質問表現とを相互作用させることで、対象の質問に対する学生の反応を予測する。
  論文  参考訳（メタデータ） (2024-07-01T12:44:52Z)
• Can Long-Context Language Models Subsume Retrieval, RAG, SQL, and More? [54.667202878390526]
  長文言語モデル(LCLM)は、従来、検索システムやデータベースといった外部ツールに依存していたタスクへのアプローチに革命をもたらす可能性がある。 実世界のタスクのベンチマークであるLOFTを導入し、文脈内検索と推論においてLCLMの性能を評価するために設計された数百万のトークンを出力する。 以上の結果からLCLMは,これらのタスクを明示的に訓練したことがないにも関わらず,最先端の検索システムやRAGシステムと競合する驚くべき能力を示した。
  論文  参考訳（メタデータ） (2024-06-19T00:28:58Z)
• CLST: Cold-Start Mitigation in Knowledge Tracing by Aligning a Generative Language Model as a Students' Knowledge Tracer [1.6713666776851528]
  学生の知識トレーサとして生成言語モデルを整列させることにより、知識追跡におけるコールドスタート緩和を提案する(T)。 我々は、自然言語処理タスクとしてKTタスクをフレーム化し、自然言語で問題解決データを表現した。 各種ベースラインモデルを用いたデータ不足状況におけるCLSTの性能評価を行った。
  論文  参考訳（メタデータ） (2024-06-13T09:21:43Z)
• Language Model Can Do Knowledge Tracing: Simple but Effective Method to Integrate Language Model and Knowledge Tracing Task [3.1459398432526267]
  本稿では,LKT(Language Model-based Knowledge Tracing)を提案する。 LKTはテキスト情報を効果的に組み込んでおり、大規模なベンチマークデータセットで以前のKTモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-06-05T03:26:59Z)
• Improving Low-Resource Knowledge Tracing Tasks by Supervised Pre-training and Importance Mechanism Fine-tuning [25.566963415155325]
  上記の課題に対処するため,低リソースのKTフレームワークであるLoReKTを提案する。 一般的な"事前学習と微調整"パラダイムにインスパイアされた我々は、リッチリソースのKTデータセットから転送可能なパラメータと表現を学習することを目指している。 複数のKTデータソースからの学生のインタラクションを組み込むエンコーディング機構を設計する。
  論文  参考訳（メタデータ） (2024-03-11T13:44:43Z)
• Towards Modeling Learner Performance with Large Language Models [7.002923425715133]
  本稿では,LLMのパターン認識とシーケンスモデリング機能が,知識追跡の領域にまで拡張できるかどうかを検討する。 ゼロショットプロンプト(ゼロショットプロンプト)とモデル微調整(モデル微調整)の2つの手法と,既存のLLM以外の知識追跡手法を比較した。 LLMベースのアプローチは最先端のパフォーマンスを達成しないが、微調整のLLMは素早いベースラインモデルの性能を上回り、標準的なベイズ的知識追跡手法と同等に機能する。
  論文  参考訳（メタデータ） (2024-02-29T14:06:34Z)
• A Survey on Knowledge Distillation of Large Language Models [99.11900233108487]
  知識蒸留(KD)は、高度な能力をオープンソースモデルに転送するための重要な方法論である。 本稿では,大規模言語モデル(LLM)の領域におけるKDの役割を包括的に調査する。
  論文  参考訳（メタデータ） (2024-02-20T16:17:37Z)
• Large Language Models with Controllable Working Memory [64.71038763708161]
  大規模言語モデル(LLM)は、自然言語処理(NLP)の一連のブレークスルーをもたらした。 これらのモデルをさらに切り離すのは、事前訓練中に内在する膨大な量の世界的知識だ。 モデルの世界知識が、文脈で提示された事実情報とどのように相互作用するかは、まだ解明されていない。
  論文  参考訳（メタデータ） (2022-11-09T18:58:29Z)
• 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)

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。