論文の概要: Learning states enhanced knowledge tracing: Simulating the diversity in real-world learning process

• arxiv url: http://arxiv.org/abs/2412.19550v1
• Date: Fri, 27 Dec 2024 09:41:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:26:52.655696
• Title: Learning states enhanced knowledge tracing: Simulating the diversity in real-world learning process
• Title（参考訳）: 学習状態の強化された知識追跡 : 実世界の学習過程における多様性のシミュレーション
• Authors: Shanshan Wang, Xueying Zhang, Keyang Wang, Xun Yang, Xingyi Zhang,
• Abstract要約: 知識追跡タスクは、歴史的相互作用に基づいて学習者の将来のパフォーマンスを予測することに焦点を当てる。 我々はLSKT(Learning State Enhanced Knowledge Tracing)という新しい手法を提案する。 4つの実世界のデータセットによる実験結果から,我々のLSKT法は現在の最先端手法よりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 16.472568558398482
• License:
• Abstract: The Knowledge Tracing (KT) task focuses on predicting a learner's future performance based on the historical interactions. The knowledge state plays a key role in learning process. However, considering that the knowledge state is influenced by various learning factors in the interaction process, such as the exercises similarities, responses reliability and the learner's learning state. Previous models still face two major limitations. First, due to the exercises differences caused by various complex reasons and the unreliability of responses caused by guessing behavior, it is hard to locate the historical interaction which is most relevant to the current answered exercise. Second, the learning state is also a key factor to influence the knowledge state, which is always ignored by previous methods. To address these issues, we propose a new method named Learning State Enhanced Knowledge Tracing (LSKT). Firstly, to simulate the potential differences in interactions, inspired by Item Response Theory~(IRT) paradigm, we designed three different embedding methods ranging from coarse-grained to fine-grained views and conduct comparative analysis on them. Secondly, we design a learning state extraction module to capture the changing learning state during the learning process of the learner. In turn, with the help of the extracted learning state, a more detailed knowledge state could be captured. Experimental results on four real-world datasets show that our LSKT method outperforms the current state-of-the-art methods.
• Abstract（参考訳）: 知識追跡(KT)タスクは、歴史的相互作用に基づいて学習者の将来のパフォーマンスを予測することに焦点を当てる。 知識状態は学習プロセスにおいて重要な役割を果たす。 しかし、知識状態は、類似性、応答信頼性、学習者の学習状態など、相互作用過程における様々な学習要因に影響されている。 以前のモデルには2つの大きな制限がある。 第一に、様々な複雑な理由による運動の違いと、行動推定による反応の不確実性から、現在回答されている運動に最も関係している歴史的相互作用を見つけることは困難である。 第二に、学習状態は知識状態に影響を与える重要な要因でもある。 これらの問題に対処するため,我々はLSKT(Learning State Enhanced Knowledge Tracing)という新しい手法を提案する。 まず, 項目応答理論~(IRT)パラダイムに着想を得た相互作用の潜在的な相違をシミュレートするため, 粗粒度から細粒度まで3種類の埋め込み手法を設計し, 比較分析を行った。 次に,学習者の学習過程における学習状態の変化を捉える学習状態抽出モジュールを設計する。 これにより、抽出した学習状態の助けを借りて、より詳細な知識状態を取得することができる。 4つの実世界のデータセットによる実験結果から,我々のLSKT法は現在の最先端手法よりも優れていることがわかった。

関連論文リスト

• Online Continual Learning via the Knowledge Invariant and Spread-out Properties [4.109784267309124]
  継続的な学習の鍵となる課題は破滅的な忘れ方だ。 知識不変性とスプレッドアウト特性(OCLKISP)を用いたオンライン連続学習法を提案する。 提案手法を,CIFAR 100, Split SVHN, Split CUB200, Split Tiny-Image-Netの4つのベンチマークで実証的に評価した。
  論文  参考訳（メタデータ） (2023-02-02T04:03:38Z)
• Reinforcement Learning in System Identification [0.0]
  システム識別は、学習前方モデル、伝達関数、システムダイナミクスなどとも呼ばれるが、科学と工学の両方において長い伝統がある。 ここでは、この問題における強化学習の利用について考察する。 本稿では,この問題が強化学習問題として自然と音にどのように適合するかを詳述し,RLがこのような問題を解決する上で有望な手法であることを実証する実験結果を示す。
  論文  参考訳（メタデータ） (2022-12-14T09:20:42Z)
• Anti-Retroactive Interference for Lifelong Learning [65.50683752919089]
  我々は脳のメタラーニングと連想機構に基づく生涯学習のパラダイムを設計する。 知識の抽出と知識の記憶という2つの側面から問題に取り組む。 提案した学習パラダイムが,異なるタスクのモデルを同じ最適に収束させることができることを理論的に分析した。
  論文  参考訳（メタデータ） (2022-08-27T09:27:36Z)
• Transferability in Deep Learning: A Survey [80.67296873915176]
  知識を習得し再利用する能力は、ディープラーニングにおける伝達可能性として知られている。 本研究は,深層学習における異なる孤立領域と伝達可能性との関係を関連付けるための調査である。 我々はベンチマークとオープンソースライブラリを実装し、転送可能性の観点からディープラーニング手法の公平な評価を可能にする。
  論文  参考訳（メタデータ） (2022-01-15T15:03:17Z)
• Relational Experience Replay: Continual Learning by Adaptively Tuning Task-wise Relationship [54.73817402934303]
  本稿では,2段階の学習フレームワークである経験連続再生(ERR)を提案する。 ERRは、すべてのベースラインの性能を一貫して改善し、現在の最先端の手法を超えることができる。
  論文  参考訳（メタデータ） (2021-12-31T12:05:22Z)
• Semi-Supervising Learning, Transfer Learning, and Knowledge Distillation with SimCLR [2.578242050187029]
  半教師付き学習の分野における最近のブレークスルーは、最先端の従来の教師付き学習手法と一致する結果を得た。 SimCLRは、コンピュータビジョンのための最先端の半教師付き学習フレームワークである。
  論文  参考訳（メタデータ） (2021-08-02T01:37:39Z)
• Knowledge-Aware Procedural Text Understanding with Multi-Stage Training [110.93934567725826]
  本稿では,このような文書の理解とプロセス中のエンティティの状態や場所の追跡を目的とした手続き的テキスト理解の課題に焦点をあてる。 常識的推論の難しさとデータ不足という2つの課題はまだ未解決のままである。 我々は、複数の外部知識を効果的に活用する、KnOwledge-Aware ProceduraL text understAnding (KOALA)モデルを提案する。
  論文  参考訳（メタデータ） (2020-09-28T10:28:40Z)
• Transfer Learning in Deep Reinforcement Learning: A Survey [64.36174156782333]
  強化学習は、シーケンシャルな意思決定問題を解決するための学習パラダイムである。 近年、ディープニューラルネットワークの急速な発展により、強化学習の顕著な進歩が見られた。 転校学習は 強化学習が直面する様々な課題に 対処するために生まれました
  論文  参考訳（メタデータ） (2020-09-16T18:38:54Z)
• RKT : Relation-Aware Self-Attention for Knowledge Tracing [2.9778695679660188]
  知識追跡のためのリレーショナル・アウェア・セルフアテンション・モデル(RKT)を提案する。 文脈情報を組み込んだ関係認識型自己認識層を導入する。 我々のモデルは最先端の知識追跡手法より優れている。
  論文  参考訳（メタデータ） (2020-08-28T16:47:03Z)
• Sequential Latent Knowledge Selection for Knowledge-Grounded Dialogue [51.513276162736844]
  この問題に対する最初のアプローチとして,逐次潜在変数モデルを提案する。 シーケンシャル・ナレッジ・トランスフォーマー (SKT) という名前のモデルは、知識よりも先行と後続の分布を追跡することができる。
  論文  参考訳（メタデータ） (2020-02-18T11:59:59Z)

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。