論文の概要: Concept-Aware Latent and Explicit Knowledge Integration for Enhanced Cognitive Diagnosis

• arxiv url: http://arxiv.org/abs/2502.02104v1
• Date: Tue, 04 Feb 2025 08:37:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:57:39.617562
• Title: Concept-Aware Latent and Explicit Knowledge Integration for Enhanced Cognitive Diagnosis
• Title（参考訳）: 認知診断の高度化のための概念認識と明示的知識統合
• Authors: Yawen Chen, Jiande Sun, Jing Li, Huaxiang Zhang,
• Abstract要約: 認知診断のための概念認識型遅延・明示的知識統合モデル(CLEKI-CD)を提案する。 具体的には、学生の熟達度に応じて多次元ベクトルを構築し、複数の視点から各知識概念のエクササイズ困難を解消する。 我々は認知診断層を併用して、潜在的知識と明示的知識を統合し、さらに認知診断性能を向上させる。
• 参考スコア（独自算出の注目度）: 13.781755345440914
• License:
• Abstract: Cognitive diagnosis can infer the students' mastery of specific knowledge concepts based on historical response logs. However, the existing cognitive diagnostic models (CDMs) represent students' proficiency via a unidimensional perspective, which can't assess the students' mastery on each knowledge concept comprehensively. Moreover, the Q-matrix binarizes the relationship between exercises and knowledge concepts, and it can't represent the latent relationship between exercises and knowledge concepts. Especially, when the granularity of knowledge attributes refines increasingly, the Q-matrix becomes incomplete correspondingly and the sparse binary representation (0/1) fails to capture the intricate relationships among knowledge concepts. To address these issues, we propose a Concept-aware Latent and Explicit Knowledge Integration model for cognitive diagnosis (CLEKI-CD). Specifically, a multidimensional vector is constructed according to the students' mastery and exercise difficulty for each knowledge concept from multiple perspectives, which enhances the representation capabilities of the model. Moreover, a latent Q-matrix is generated by our proposed attention-based knowledge aggregation method, and it can uncover the coverage degree of exercises over latent knowledge. The latent Q-matrix can supplement the sparse explicit Q-matrix with the inherent relationships among knowledge concepts, and mitigate the knowledge coverage problem. Furthermore, we employ a combined cognitive diagnosis layer to integrate both latent and explicit knowledge, further enhancing cognitive diagnosis performance. Extensive experiments on real-world datasets demonstrate that CLEKI-CD outperforms the state-of-the-art models. The proposed CLEKI-CD is promising in practical applications in the field of intelligent education, as it exhibits good interpretability with diagnostic results.
• Abstract（参考訳）: 認知診断は、歴史的応答ログに基づいて、生徒の特定の知識概念の熟達度を推測することができる。 しかし、既存の認知診断モデル(CDM)は、一次元的な視点で生徒の熟練度を表しており、各知識概念について生徒の熟達度を総合的に評価することはできない。 さらに、Q行列は、エクササイズとナレッジ概念の関係を二項化しており、エクササイズとナレッジ概念の間に潜む関係を表現できない。 特に、知識属性の粒度が増大すると、Q行列は不完全となり、スパース二項表現(0/1)は知識概念間の複雑な関係を捉えない。 これらの課題に対処するため,認知診断のための概念認識型潜在的・明示的知識統合モデル(CLEKI-CD)を提案する。 具体的には、学生の熟達度に応じて多次元ベクトルを構築し、複数の視点から各知識概念を抽出し、モデルの表現能力を向上する。 さらに,本提案手法により潜時Q行列が生成され,潜時知識よりも潜時運動のカバレッジ度を明らかにすることができる。 潜在Q行列は、知識概念の間に固有の関係を持つ疎明なQ行列を補うことができ、知識カバレッジ問題を緩和することができる。 さらに,認知診断層を併用して,潜在的知識と明示的知識を統合し,認知診断性能の向上を図る。 実世界のデータセットに関する大規模な実験は、CLEKI-CDが最先端のモデルより優れていることを示した。 提案したCLEKI-CDは、診断結果と良好な解釈性を示すため、知的教育分野の実践的な応用を約束している。

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)
• Enhancing Cognitive Diagnosis by Modeling Learner Cognitive Structure State [3.0103051895985256]
  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。
  論文  参考訳（メタデータ） (2024-12-27T17:41:39Z)
• Optimizing Student Ability Assessment: A Hierarchy Constraint-Aware Cognitive Diagnosis Framework for Educational Contexts [26.287186220848763]
  階層的制約を考慮した認知診断フレームワーク(HCD)を提案する。 HCDは、実際の教育的文脈内での生徒の能力パフォーマンスをより正確に表現することを目的としている。 階層的制約認識機能を既存のモデルと統合し、個人特性とグループ特性の両方の表現を改善する。
  論文  参考訳（メタデータ） (2024-11-21T11:37:36Z)
• Large Language Models are Limited in Out-of-Context Knowledge Reasoning [65.72847298578071]
  大規模言語モデル (LLMs) は、文脈内推論の実行において広範な知識と強力な能力を持っている。 本稿では、複数の知識を組み合わせて新しい知識を推論する、文脈外知識推論(OCKR)という、文脈外推論の重要な側面に焦点を当てる。
  論文  参考訳（メタデータ） (2024-06-11T15:58:59Z)
• 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)
• Deciphering Raw Data in Neuro-Symbolic Learning with Provable Guarantees [17.58485742162185]
  ニューロシンボリックハイブリッドシステムは、機械学習とシンボリック推論を統合することを約束している。 ハイブリッドシステムが特定のタスクに成功し、いつ異なる知識ベースで失敗するかは、まだ不明である。 本研究では,知識ベースから指導信号を特徴付ける新しい手法を導入し,学習を成功させる上での知識の有効性を決定するための基準を確立する。
  論文  参考訳（メタデータ） (2023-08-21T06:04:53Z)
• 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)
• 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)
• Exploring Student Representation For Neural Cognitive Diagnosis [2.8617826964327113]
  本稿では,知識概念と学生の埋め込みの階層的関係を探索し,学生表現の手法を提案する。 提案手法の有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2021-11-17T07:47:44Z)
• Neuro-symbolic Architectures for Context Understanding [59.899606495602406]
  本稿では,データ駆動型アプローチと知識駆動型アプローチの強みを組み合わせたフレームワークとして,ハイブリッドAI手法を提案する。 具体的には、知識ベースを用いて深層ニューラルネットワークの学習過程を導く方法として、ニューロシンボリズムの概念を継承する。
  論文  参考訳（メタデータ） (2020-03-09T15:04:07Z)

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。