論文の概要: Uncertainty-aware Knowledge Tracing

• arxiv url: http://arxiv.org/abs/2501.05415v2
• Date: Tue, 21 Jan 2025 08:21:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:15:44.233049
• Title: Uncertainty-aware Knowledge Tracing
• Title（参考訳）: 不確かさを意識した知識追跡
• Authors: Weihua Cheng, Hanwen Du, Chunxiao Li, Ersheng Ni, Liangdi Tan, Tianqi Xu, Yongxin Ni,
• Abstract要約: 知識追跡(KT)は、学生の学習状態を描写し、生徒の教科の熟達度を評価することに焦点を当てた教育評価において重要である。 従来の研究では、学生の知識状態を捉えるための決定論的表現が一般的であり、学生の相互作用における不確実性を無視している。 本研究では,学生間相互作用の不確実性を表すために分布埋め込みを用いた不確実性認識知識追跡モデル(UKT)を提案する。
• 参考スコア（独自算出の注目度）: 2.8931305033614816
• License:
• Abstract: Knowledge Tracing (KT) is crucial in education assessment, which focuses on depicting students' learning states and assessing students' mastery of subjects. With the rise of modern online learning platforms, particularly massive open online courses (MOOCs), an abundance of interaction data has greatly advanced the development of the KT technology. Previous research commonly adopts deterministic representation to capture students' knowledge states, which neglects the uncertainty during student interactions and thus fails to model the true knowledge state in learning process. In light of this, we propose an Uncertainty-Aware Knowledge Tracing model (UKT) which employs stochastic distribution embeddings to represent the uncertainty in student interactions, with a Wasserstein self-attention mechanism designed to capture the transition of state distribution in student learning behaviors. Additionally, we introduce the aleatory uncertainty-aware contrastive learning loss, which strengthens the model's robustness towards different types of uncertainties. Extensive experiments on six real-world datasets demonstrate that UKT not only significantly surpasses existing deep learning-based models in KT prediction, but also shows unique advantages in handling the uncertainty of student interactions.
• Abstract（参考訳）: 知識追跡(KT)は、学生の学習状態を描写し、生徒の教科の熟達度を評価することに焦点を当てた教育評価において重要である。 現代のオンライン学習プラットフォーム,特に大規模なオープンオンラインコース(MOOCs)の台頭に伴い,インタラクションデータの豊富さは,KT技術の発展を大きく進めている。 従来の研究では、学生の知識状態を捉えるために決定論的表現が一般的であり、学生の相互作用の間に不確実性を無視しているため、学習過程における真の知識状態のモデル化に失敗する。 そこで本研究では,学生のインタラクションにおける不確実性を表現するために確率分布埋め込みを用いた不確実性知識追跡モデル(UKT)と,学生の学習行動における状態分布の遷移を捉えるためのワッサーシュタイン自己認識機構を提案する。 さらに,不確実性を考慮した相対的学習損失を導入し,異なるタイプの不確実性に対するモデルの堅牢性を高める。 6つの実世界のデータセットに対する大規模な実験により、UKTはKT予測において既存のディープラーニングベースのモデルを大幅に上回っているだけでなく、学生の相互作用の不確実性を扱う上でのユニークな利点も示している。

関連論文リスト

• Personalized Knowledge Tracing through Student Representation Reconstruction and Class Imbalance Mitigation [32.52262417461651]
  知識追跡とは、学習過程を分析することによって、学生の将来のパフォーマンスを予測する手法である。 近年の研究は、強力なディープニューラルネットワークを活用することで大きな進歩を遂げている。 パーソナライズされた知識追跡のための新しいアプローチであるPKTを提案する。
  論文  参考訳（メタデータ） (2024-09-10T07:02:46Z)
• 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)
• Improving the Reliability of Large Language Models by Leveraging Uncertainty-Aware In-Context Learning [76.98542249776257]
  大規模言語モデルはしばしば「ハロシン化」の課題に直面している 本研究では,不確実性に応答してモデルが出力を拡張あるいは拒否することを可能にする,不確実性を考慮したコンテキスト内学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-07T12:06:53Z)
• Cognition-Mode Aware Variational Representation Learning Framework for Knowledge Tracing [3.3036318543432417]
  知識追跡タスクは、パーソナライズされた学習において重要な役割を果たす。 KTタスクはデータの分散に悩まされており、実践記録がほとんどない学生の堅牢な表現を学習することは困難である。 既存のKT手法に直接適用可能なCMVF(Cognition-Mode Aware Variational Representation Learning Framework)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T13:51:06Z)
• Quiz-based Knowledge Tracing [61.9152637457605]
  知識追跡は、学習相互作用に基づいて個人の進化する知識状態を評価することを目的としている。 QKTは、既存の方法と比較して最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-04-05T12:48:42Z)
• Selective Knowledge Sharing for Privacy-Preserving Federated Distillation without A Good Teacher [52.2926020848095]
  フェデレーション学習は、ホワイトボックス攻撃に脆弱で、異種クライアントへの適応に苦慮している。 本稿では,選択的FD(Selective-FD)と呼ばれるFDのための選択的知識共有機構を提案する。
  論文  参考訳（メタデータ） (2023-04-04T12:04:19Z)
• A Probabilistic Generative Model for Tracking Multi-Knowledge Concept Mastery Probability [8.920928164556171]
  InTerpretable pRobAbilistiC gEnerative moDel (TRACED)を提案する。 実世界の4つのデータセットを3つの知識駆動タスクで実験する。 実験の結果,TRACEDは学生の今後の成績を予測する上で,既存の知識追跡手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-17T03:50:49Z)
• Transition-Aware Multi-Activity Knowledge Tracing [2.9778695679660188]
  知識追跡は、学生の学習活動のシーケンスから学生の知識状態をモデル化することを目的としている。 現在のKTソリューションは、非評価学習活動からの学習をモデル化するのに適していない。 遷移対応多行動知識追跡(TAMKOT)を提案する。
  論文  参考訳（メタデータ） (2023-01-26T21:49:24Z)
• Interpretable Knowledge Tracing: Simple and Efficient Student Modeling with Causal Relations [21.74631969428855]
  解釈可能な知識追跡(英: Interpretable Knowledge Tracing, IKT)は、3つの有意義な潜在機能に依存する単純なモデルである。 IKTの将来の学生成績予測は、Tree-Augmented Naive Bayes (TAN) を用いて行われる。 IKTは、現実世界の教育システムにおいて、因果推論を用いた適応的でパーソナライズされた指示を提供する大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2021-12-15T19:05:48Z)
• Uncertainty as a Form of Transparency: Measuring, Communicating, and Using Uncertainty [66.17147341354577]
  我々は,モデル予測に関連する不確実性を推定し,伝達することにより,相補的な透明性の形式を考えることについて議論する。 モデルの不公平性を緩和し、意思決定を強化し、信頼できるシステムを構築するために不確実性がどのように使われるかを説明する。 この研究は、機械学習、可視化/HCI、デザイン、意思決定、公平性にまたがる文学から引き出された学際的レビューを構成する。
  論文  参考訳（メタデータ） (2020-11-15T17:26:14Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)

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。