論文の概要: Enhancing Cognitive Diagnosis by Modeling Learner Cognitive Structure State
- arxiv url: http://arxiv.org/abs/2412.19759v1
- Date: Fri, 27 Dec 2024 17:41:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-30 17:26:48.760250
- Title: Enhancing Cognitive Diagnosis by Modeling Learner Cognitive Structure State
- Title（参考訳）: 学習者認知構造状態のモデル化による認知診断の強化
- Authors: Zhifu Chen, Hengnian Gu, Jin Peng Zhou, Dongdai Zhou,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.0103051895985256
- License:
- Abstract: Cognitive diagnosis represents a fundamental research area within intelligent education, with the objective of measuring the cognitive status of individuals. Theoretically, an individual's cognitive state is essentially equivalent to their cognitive structure state. Cognitive structure state comprises two key components: knowledge state (KS) and knowledge structure state (KUS). The knowledge state reflects the learner's mastery of individual concepts, a widely studied focus within cognitive diagnosis. In contrast, the knowledge structure state-representing the learner's understanding of the relationships between concepts-remains inadequately modeled. A learner's cognitive structure is essential for promoting meaningful learning and shaping academic performance. Although various methods have been proposed, most focus on assessing KS and fail to assess KUS. To bridge this gap, we propose an innovative and effective framework-CSCD (Cognitive Structure State-based Cognitive Diagnosis)-which introduces a novel framework to modeling learners' cognitive structures in diagnostic assessments, thereby offering new insights into cognitive structure modeling. Specifically, we employ an edge-feature-based graph attention network to represent the learner's cognitive structure state, effectively integrating KS and KUS. Extensive experiments conducted on real datasets demonstrate the superior performance of this framework in terms of diagnostic accuracy and interpretability.
- Abstract（参考訳）: 認知診断は知的教育の基本的な研究領域であり、個人の認知状態を測定することを目的としている。
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。
認知構造状態は、知識状態(KS)と知識構造状態(KUS)の2つの重要な構成要素から構成される。
知識状態は学習者の個々の概念の熟達を反映しており、認知診断において広く研究されている。
対照的に、知識構造は、学習者の概念-遺構間の関係に関する理解を、不十分にモデル化する。
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。
様々な手法が提案されているが、KSの評価に重点を置いており、KUSの評価に失敗している。
このギャップを埋めるために,我々は,学習者の認知構造を診断評価においてモデル化し,認知構造モデリングに新たな洞察を与える新しい枠組みを提案する,革新的で効果的なCSCD(Cognitive Structure State-based Cognitive Diagnosis)を提案する。
具体的には、学習者の認知構造状態を表現し、KSとKUSを効果的に統合するために、エッジ機能ベースのグラフアテンションネットワークを用いる。
実際のデータセットで行った大規模な実験は、診断精度と解釈可能性の観点から、このフレームワークの優れた性能を示す。
関連論文リスト
- Collaborative Cognitive Diagnosis with Disentangled Representation Learning for Learner Modeling [14.574222901039155]
類似学習者間の協調的接続を活用することは、人間の学習を理解する上で価値がある。
本研究では,不整合表現学習を用いた協調的認知診断モデルであるCoralを提案する。
論文 参考訳（メタデータ） (2024-11-04T13:13:25Z) - Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。
具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。
知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文 参考訳（メタデータ） (2024-07-31T04:32:43Z) - A Survey of Models for Cognitive Diagnosis: New Developments and Future Directions [66.40362209055023]
本研究の目的は,認知診断の現在のモデルについて,機械学習を用いた新たな展開に注目した調査を行うことである。
モデル構造,パラメータ推定アルゴリズム,モデル評価方法,適用例を比較して,認知診断モデルの最近の傾向を概観する。
論文 参考訳（メタデータ） (2024-07-07T18:02:00Z) - Disentangling Heterogeneous Knowledge Concept Embedding for Cognitive Diagnosis on Untested Knowledge [24.363775475487117]
異義性認知診断(DisKCD)と呼ばれる認知診断のための新しい枠組みを提案する。
コースの成績、課題のエクササイズ、学習リソースを活用して、学生、演習、知識概念の潜在的表現を学習する。
我々は,学生,演習,テストされた知識概念(TKC),UKCを通じて異種関係グラフネットワークを構築した。
論文 参考訳（メタデータ） (2024-05-25T01:49:54Z) - 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) - Exploring the Cognitive Knowledge Structure of Large Language Models: An
Educational Diagnostic Assessment Approach [50.125704610228254]
大規模言語モデル(LLM)は、様々なタスクにまたがる例外的なパフォーマンスを示すだけでなく、知性の火花も示している。
近年の研究では、人間の試験における能力の評価に焦点が当てられ、異なる領域における彼らの印象的な能力を明らかにしている。
ブルーム分類に基づく人体検査データセットであるMoocRadarを用いて評価を行った。
論文 参考訳（メタデータ） (2023-10-12T09:55:45Z) - Multi-task Collaborative Pre-training and Individual-adaptive-tokens
Fine-tuning: A Unified Framework for Brain Representation Learning [3.1453938549636185]
協調的事前学習と個別学習を組み合わせた統合フレームワークを提案する。
提案したMCIATはADHD-200データセット上で最先端の診断性能を実現する。
論文 参考訳（メタデータ） (2023-06-20T08:38:17Z) - 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) - Kernel Based Cognitive Architecture for Autonomous Agents [91.3755431537592]
本稿では,認知機能構築への進化的アプローチについて考察する。
本稿では,シンボル創発問題に基づくエージェントの進化を保証する認知アーキテクチャについて考察する。
論文 参考訳（メタデータ） (2022-07-02T12:41:32Z) - Acquiring and Modelling Abstract Commonsense Knowledge via Conceptualization [49.00409552570441]
本研究では,コモンセンス推論における概念化の役割について検討し,人間の概念化を再現する枠組みを定式化する。
ATOMIC は大規模な人為的注釈付き CKG であり,この枠組みを分類プロベースで支援している。
論文 参考訳（メタデータ） (2022-06-03T12:24:49Z) - CogNGen: Constructing the Kernel of a Hyperdimensional Predictive
Processing Cognitive Architecture [79.07468367923619]
神経生物学的に妥当な2つの計算モデルを組み合わせた新しい認知アーキテクチャを提案する。
我々は、現代の機械学習技術の力を持つ認知アーキテクチャを開発することを目指している。
論文 参考訳（メタデータ） (2022-03-31T04:44:28Z)
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。