論文の概要: Language Representation Favored Zero-Shot Cross-Domain Cognitive Diagnosis
- arxiv url: http://arxiv.org/abs/2501.13943v1
- Date: Sat, 18 Jan 2025 03:35:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-02 08:21:55.332639
- Title: Language Representation Favored Zero-Shot Cross-Domain Cognitive Diagnosis
- Title(参考訳): ゼロショット・クロスドメイン認知診断が得意な言語表現
- Authors: Shuo Liu, Zihan Zhou, Yuanhao Liu, Jing Zhang, Hong Qian,
- Abstract要約: 本稿では,ゼロショットクロスドメイン認知診断(LRCD)を用いた言語表現を提案する。
LRCDはまず、異なる領域における学生の行動パターンを分析し、次にテキスト記述を用いて学生、運動、概念のプロファイルを記述する。
言語空間と認知診断空間の相違に対処するため,LRCDにおける言語認知マッパーを提案し,前者から後者へのマッピングを学習する。
- 参考スコア(独自算出の注目度): 15.006031265076006
- License:
- Abstract: Cognitive diagnosis aims to infer students' mastery levels based on their historical response logs. However, existing cognitive diagnosis models (CDMs), which rely on ID embeddings, often have to train specific models on specific domains. This limitation may hinder their directly practical application in various target domains, such as different subjects (e.g., Math, English and Physics) or different education platforms (e.g., ASSISTments, Junyi Academy and Khan Academy). To address this issue, this paper proposes the language representation favored zero-shot cross-domain cognitive diagnosis (LRCD). Specifically, LRCD first analyzes the behavior patterns of students, exercises and concepts in different domains, and then describes the profiles of students, exercises and concepts using textual descriptions. Via recent advanced text-embedding modules, these profiles can be transformed to vectors in the unified language space. Moreover, to address the discrepancy between the language space and the cognitive diagnosis space, we propose language-cognitive mappers in LRCD to learn the mapping from the former to the latter. Then, these profiles can be easily and efficiently integrated and trained with existing CDMs. Extensive experiments show that training LRCD on real-world datasets can achieve commendable zero-shot performance across different target domains, and in some cases, it can even achieve competitive performance with some classic CDMs trained on the full response data on target domains. Notably, we surprisingly find that LRCD can also provide interesting insights into the differences between various subjects (such as humanities and sciences) and sources (such as primary and secondary education).
- Abstract(参考訳): 認知診断は,過去の応答ログに基づいて,生徒の熟達度を推定することを目的としている。
しかし、ID埋め込みに依存している既存の認知診断モデル(CDM)は、しばしば特定のドメイン上で特定のモデルを訓練する必要がある。
この制限は、異なる科目(例えば、数学、英語、物理学)や異なる教育プラットフォーム(例えば、ASSISTments、Junyi Academy、Khan Academy)など、様々な対象領域において、直接的に応用することを妨げる可能性がある。
そこで本研究では,ゼロショット・クロスドメイン認知診断(LRCD)を用いた言語表現を提案する。
具体的には、LRCDはまず、異なる領域における学生の行動パターン、エクササイズ、コンセプトを分析し、次にテキスト記述を用いて学生、エクササイズ、コンセプトのプロファイルを記述する。
最近の高度なテキスト埋め込みモジュールでは、これらのプロファイルは統一言語空間のベクトルに変換することができる。
さらに,言語空間と認知診断空間の相違に対処するために,LRCDにおける言語認知マッパーを提案し,前者から後者へのマッピングを学習する。
そして、これらのプロファイルは、既存のCDMで簡単かつ効率的に統合し、訓練することができる。
大規模な実験により、現実世界のデータセット上でのLRCDのトレーニングは、異なるターゲットドメインにわたる圧縮可能なゼロショットのパフォーマンスを達成することができ、場合によっては、ターゲットドメイン上の全応答データに基づいてトレーニングされた古典的なCDMと競合するパフォーマンスを達成できることが示された。
特に、LRCDは、様々な分野(人文科学など)と情報源(初等・中等教育など)の違いについて興味深い洞察を与えることができる。
関連論文リスト
- Knowledge is Power: Harnessing Large Language Models for Enhanced Cognitive Diagnosis [12.936153018855649]
認知診断モデル(CDMs)は、学生の認知状態を評価するために、一連のエクササイズを通してそのパフォーマンスを分析する。
既存のCDMは、豊富な事前知識が不足しているため、希少な学生や運動の診断に苦慮することが多い。
大型言語モデル(LLM)の進歩に伴い、認知診断への統合は有望な機会となる。
論文 参考訳(メタデータ) (2025-02-08T13:02:45Z) - A Dual-Fusion Cognitive Diagnosis Framework for Open Student Learning Environments [10.066184572184627]
本稿では,2つの異なるモダリティを整合させる上での課題を解決するために,二重融合認知診断フレームワーク(DFCD)を提案する。
実験の結果,DFCDはオープンな学習環境において,異なるモダリティと強い適応性を統合することにより,優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2024-10-19T10:12:02Z) - Unified Language-driven Zero-shot Domain Adaptation [55.64088594551629]
Unified Language-driven Zero-shot Domain Adaptation (ULDA)は、新しいタスクセットである。
これにより、ドメインIDの知識を明示することなく、単一のモデルを多様なターゲットドメインに適応させることができる。
論文 参考訳(メタデータ) (2024-04-10T16:44:11Z) - Language Guided Domain Generalized Medical Image Segmentation [68.93124785575739]
単一ソースドメインの一般化は、より信頼性が高く一貫性のあるイメージセグメンテーションを現実の臨床環境にわたって約束する。
本稿では,テキストエンコーダ機能によって案内されるコントラスト学習機構を組み込むことで,テキスト情報を明確に活用する手法を提案する。
文献における既存手法に対して,本手法は良好な性能を発揮する。
論文 参考訳(メタデータ) (2024-04-01T17:48:15Z) - Zero-1-to-3: Domain-level Zero-shot Cognitive Diagnosis via One Batch of
Early-bird Students towards Three Diagnostic Objectives [16.964558645359862]
本稿ではドメインレベルのゼロショット認知診断(DZCD)に焦点を当てる。
最近のクロスドメイン診断モデルはDZCDにとって有望な戦略であることが示されている。
早期学生の1バッチを通したドメインレベルのゼロショット認知診断フレームワークZero-1-to-3を提案する。
論文 参考訳(メタデータ) (2023-12-20T21:20:23Z) - Adapt in Contexts: Retrieval-Augmented Domain Adaptation via In-Context
Learning [48.22913073217633]
大規模言語モデル(LLM)は、インコンテキスト学習(in-context learning)として知られる少数の推論でその能力を示した。
本稿では,UDA問題を文脈内学習環境下で研究し,ソースドメインからターゲットドメインへの言語モデルの適用を,ターゲットラベルを使わずに行う。
我々は、異なるLMアーキテクチャを考慮し、異なるプロンプトとトレーニング戦略を考案し、言語モデリングを通してターゲット分布を学習する。
論文 参考訳(メタデータ) (2023-11-20T06:06:20Z) - CDFSL-V: Cross-Domain Few-Shot Learning for Videos [58.37446811360741]
ビデオのアクション認識は、いくつかのラベル付き例でのみ、新しいカテゴリを認識するための効果的なアプローチである。
既存のビデオアクション認識の方法は、同じドメインからの大きなラベル付きデータセットに依存している。
本稿では,自己教師付き学習とカリキュラム学習を活用した,クロスドメインな数ショットビデオ行動認識手法を提案する。
論文 参考訳(メタデータ) (2023-09-07T19:44:27Z) - Cross-domain Imitation from Observations [50.669343548588294]
模擬学習は、専門家の行動を利用して訓練エージェントに適切な報酬関数を設計することの難しさを回避しようとする。
本稿では,専門家とエージェントMDPの相違点が存在する場合に,タスクを模倣する方法の問題について検討する。
このようなドメイン間の対応を学習するための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2021-05-20T21:08:25Z) - Cross-domain Face Presentation Attack Detection via Multi-domain
Disentangled Representation Learning [109.42987031347582]
顔提示攻撃検出(PAD)は,顔認識システムにおいて緊急に解決すべき課題である。
クロスドメイン顔PADのための効率的な非交叉表現学習を提案する。
我々のアプローチは、不整合表現学習(DR-Net)とマルチドメイン学習(MD-Net)からなる。
論文 参考訳(メタデータ) (2020-04-04T15:45:14Z)
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。