論文の概要: Advancing Personalized Learning Analysis via an Innovative Domain Knowledge Informed Attention-based Knowledge Tracing Method

• arxiv url: http://arxiv.org/abs/2501.05605v1
• Date: Thu, 09 Jan 2025 22:41:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-13 15:28:44.868270
• Title: Advancing Personalized Learning Analysis via an Innovative Domain Knowledge Informed Attention-based Knowledge Tracing Method
• Title（参考訳）: 意図に基づく知識追跡手法の革新的ドメイン知識によるパーソナライズドラーニング分析の促進
• Authors: Shubham Kose, Jin Wei-Kocsis,
• Abstract要約: 本稿では,カリキュラムに知識概念経路のドメイン知識を効果的に取り入れた,革新的な注意に基づく手法を提案する。 我々はXES3G5Mデータセットを用いて提案手法の性能を7つの最先端ディープラーニングモデルと比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Emerging Knowledge Tracing (KT) models, particularly deep learning and attention-based Knowledge Tracing, have shown great potential in realizing personalized learning analysis via prediction of students' future performance based on their past interactions. The existing methods mainly focus on immediate past interactions or individual concepts without accounting for dependencies between knowledge concept, referred as knowledge concept routes, that can be critical to advance the understanding the students' learning outcomes. To address this, in this paper, we propose an innovative attention-based method by effectively incorporating the domain knowledge of knowledge concept routes in the given curriculum. Additionally, we leverage XES3G5M dataset, a benchmark dataset with rich auxiliary information for knowledge concept routes, to evaluate and compare the performance of our proposed method to the seven State-of-the-art (SOTA) deep learning models.
• Abstract（参考訳）: 創発的知識追跡(KT)モデル,特に深層学習と注目に基づく知識追跡は,過去のインタラクションに基づいて,学生の将来のパフォーマンスを予測することによって,パーソナライズされた学習分析を実現する大きな可能性を示している。 既存の手法は主に、知識概念ルートと呼ばれる知識概念間の依存関係を考慮せずに、過去の相互作用や個々の概念に焦点を合わせており、学生の学習成果の理解を促進することが重要である。 そこで本稿では,知識概念経路のドメイン知識を与えられたカリキュラムに効果的に組み込んだ,革新的な注意に基づく手法を提案する。 さらに,知識概念経路に豊富な補助情報を備えたベンチマークデータセットであるXES3G5Mデータセットを活用し,提案手法の性能を7つの最先端(SOTA)ディープラーニングモデルと比較した。

関連論文リスト

• How Do LLMs Acquire New Knowledge? A Knowledge Circuits Perspective on Continual Pre-Training [92.88889953768455]
  大きな言語モデル(LLM)は、どのようにして新しい知識を内部化するかを理解する上で、重大なギャップに直面します。 知識記憶と処理を容易にする計算サブグラフを同定する。
  論文  参考訳（メタデータ） (2025-02-16T16:55:43Z)
• Using Large Multimodal Models to Extract Knowledge Components for Knowledge Tracing from Multimedia Question Information [5.777167013394619]
  本稿では,学習内容から知識コンポーネントを自動的に抽出する手法を提案する。 以上の結果から,自動抽出した知識コンポーネントは,ラベルを効果的に置き換えることが可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-09-30T10:26:29Z)
• Personalized Forgetting Mechanism with Concept-Driven Knowledge Tracing [16.354428270912138]
  概念駆動型パーソナライズドフォーッティング知識追跡モデル(CPF)を提案する。 CPFは知識概念間の階層的な関係を統合し、生徒のパーソナライズされた認知能力を統合する。 我々のCPFは、生徒のパフォーマンスを予測するために、現在の忘れ曲線理論に基づく手法よりも優れています。
  論文  参考訳（メタデータ） (2024-04-18T12:28:50Z)
• Towards Automated Knowledge Integration From Human-Interpretable Representations [55.2480439325792]
  我々は,情報メタ学習の原理を理論的に導入・動機付けし,自動的かつ制御可能な帰納バイアス選択を可能にする。 データ効率と一般化を改善するための情報メタラーニングのメリットと限界を実証的に示す。
  論文  参考訳（メタデータ） (2024-02-25T15:08:37Z)
• Exploring Federated Unlearning: Analysis, Comparison, and Insights [101.64910079905566]
  フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。 本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。 フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-30T01:34:33Z)
• Learning from AI: An Interactive Learning Method Using a DNN Model Incorporating Expert Knowledge as a Teacher [7.964052580720558]
  視覚的説明は、深層学習による判断の根拠を可視化するためのアプローチである。 そこで本研究では,アテンションマップを用いたモデルに専門家の知識を取り入れた手法を提案する。 被験者による評価実験の結果,提案手法を用いた学習は従来手法よりも効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-06-04T04:22:55Z)
• A Closer Look at Knowledge Distillation with Features, Logits, and Gradients [81.39206923719455]
  知識蒸留(KD)は、学習した知識をあるニューラルネットワークモデルから別のニューラルネットワークモデルに転送するための重要な戦略である。 この研究は、古典的なKL分割基準を異なる知識源で近似することで、一連の知識蒸留戦略を動機付ける新しい視点を提供する。 分析の結果,ロジットは一般的により効率的な知識源であり,十分な特徴次元を持つことがモデル設計に不可欠であることが示唆された。
  論文  参考訳（メタデータ） (2022-03-18T21:26:55Z)
• Learning Data Teaching Strategies Via Knowledge Tracing [5.648636668261282]
  本稿では,学生モデルのためのデータ教育戦略を最適化する,知識強化データ教育(KADT)と呼ばれる新しい手法を提案する。 KADT法は、潜在学習概念の観点から、学生モデルの知識進捗を動的に捉えるための知識追跡モデルを含む。 我々は、知識追跡、感情分析、映画レコメンデーション、画像分類を含む4つの機械学習タスクにおいて、KADT法の性能を評価した。
  論文  参考訳（メタデータ） (2021-11-13T10:10:48Z)
• A Competence-aware Curriculum for Visual Concepts Learning via Question Answering [95.35905804211698]
  本稿では,視覚概念学習のための質問応答型カリキュラムを提案する。 視覚概念を学習するためのニューラルシンボリックな概念学習者と学習プロセスを導くための多次元項目応答理論(mIRT)モデルを設計する。 CLEVRの実験結果から,コンピテンスを意識したカリキュラムにより,提案手法は最先端のパフォーマンスを実現することが示された。
  論文  参考訳（メタデータ） (2020-07-03T05:08:09Z)
• Dynamic Knowledge embedding and tracing [18.717482292051788]
  本稿では,行列分解の手法と最近のリカレントニューラルネットワーク(RNN)の進歩を組み合わせた知識追跡手法を提案する。 提案するemphDynEmbフレームワークは,概念やスキルのタグ情報を使わずに,学生の知識の追跡を可能にする。
  論文  参考訳（メタデータ） (2020-05-18T21:56:42Z)
• A Review on Intelligent Object Perception Methods Combining Knowledge-based Reasoning and Machine Learning [60.335974351919816]
  物体知覚はコンピュータビジョンの基本的なサブフィールドである。 最近の研究は、物体の視覚的解釈のインテリジェンスレベルを拡大するために、知識工学を統合する方法を模索している。
  論文  参考訳（メタデータ） (2019-12-26T13:26:49Z)

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。