論文の概要: Improving Question Embeddings with Cognitiv Representation Optimization for Knowledge Tracing

• arxiv url: http://arxiv.org/abs/2504.04121v1
• Date: Sat, 05 Apr 2025 09:32:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:11:58.601145
• Title: Improving Question Embeddings with Cognitiv Representation Optimization for Knowledge Tracing
• Title（参考訳）: 知識追跡のための認識表現最適化による質問埋め込みの改善
• Authors: Lixiang Xu, Xianwei Ding, Xin Yuan, Zhanlong Wang, Lu Bai, Enhong Chen, Philip S. Yu, Yuanyan Tang,
• Abstract要約: 知識追跡(KT)は,学生の知識状況の変化を追跡し,過去の回答記録に基づいて将来の回答を予測することを目的としている。 KTモデリングに関する最近の研究は、既存の未更新の学習相互作用の記録に基づいて、学生の将来のパフォーマンスを予測することに焦点を当てている。 本稿では、動的プログラミングアルゴリズムを用いて認知表現の構造を最適化する知識追跡モデルのための認知表現最適化を提案する。
• 参考スコア（独自算出の注目度）: 77.14348157016518
• License:
• Abstract: The Knowledge Tracing (KT) aims to track changes in students' knowledge status and predict their future answers based on their historical answer records. Current research on KT modeling focuses on predicting student' future performance based on existing, unupdated records of student learning interactions. However, these approaches ignore the distractors (such as slipping and guessing) in the answering process and overlook that static cognitive representations are temporary and limited. Most of them assume that there are no distractors in the answering process and that the record representations fully represent the students' level of understanding and proficiency in knowledge. In this case, it may lead to many insynergy and incoordination issue in the original records. Therefore we propose a Cognitive Representation Optimization for Knowledge Tracing (CRO-KT) model, which utilizes a dynamic programming algorithm to optimize structure of cognitive representations. This ensures that the structure matches the students' cognitive patterns in terms of the difficulty of the exercises. Furthermore, we use the co-optimization algorithm to optimize the cognitive representations of the sub-target exercises in terms of the overall situation of exercises responses by considering all the exercises with co-relationships as a single goal. Meanwhile, the CRO-KT model fuses the learned relational embeddings from the bipartite graph with the optimized record representations in a weighted manner, enhancing the expression of students' cognition. Finally, experiments are conducted on three publicly available datasets respectively to validate the effectiveness of the proposed cognitive representation optimization model.
• Abstract（参考訳）: 知識追跡(KT)は,学生の知識状況の変化を追跡し,過去の回答記録に基づいて将来の回答を予測することを目的としている。 KTモデリングに関する最近の研究は、既存の未更新の学習相互作用の記録に基づいて、学生の将来のパフォーマンスを予測することに焦点を当てている。 しかしながら、これらのアプローチは、解答過程における散逸(スリップや推測など)を無視し、静的認知表現が一時的かつ限定的であることを見落としている。 それらの多くは、解答過程に邪魔者がいないと仮定し、記録表現は学生の知識の理解と習熟度を完全に表していると仮定する。 この場合、オリジナルの記録に多くの不調や不調を引き起こす可能性がある。 そこで本研究では,動的プログラミングアルゴリズムを用いて認知表現の構造を最適化する,知識追跡のための認知表現最適化(CRO-KT)モデルを提案する。 これにより、運動の困難さの観点から、生徒の認知パターンと構造が一致することが保証される。 さらに,コリレーション付き演習を1つの目標として考慮し,運動応答の全体的状況の観点から,サブターゲット運動の認知表現を最適化するために,協調最適化アルゴリズムを用いる。 一方、CRO-KTモデルでは、二部グラフからの学習された関係埋め込みと最適化されたレコード表現を重み付けで融合し、生徒の認知度を高める。 最後に、提案した認知表現最適化モデルの有効性を検証するために、3つの公開データセットを用いて実験を行った。

関連論文リスト

• AAKT: Enhancing Knowledge Tracing with Alternate Autoregressive Modeling [23.247238358162157]
  Knowledge Tracingは、学生の過去の演習と教育環境における追加情報に基づいて、将来のパフォーマンスを予測することを目的としている。 知識追跡のための自己回帰モデリングにおける主要な課題の1つは、運動を通して学習者の前(プレレスポンス)と後(ポストレスポンス)状態を効果的に表現することである。 本稿では, 自己回帰モデル(自己回帰モデル)の原理に則って, 知識追跡タスクを生成過程として扱うことによって, 新たな視点を提案する。
  論文  参考訳（メタデータ） (2025-02-17T14:09:51Z)
• Temporal Graph Memory Networks For Knowledge Tracing [0.40964539027092906]
  本稿では,深部時間グラフメモリネットワークを用いて,知識状態の関連性と時間的ダイナミクスを協調的にモデル化する手法を提案する。 また,グラフメモリモジュール上の時間減衰制約を用いて,学生の忘れ行動を表現する汎用手法を提案する。
  論文  参考訳（メタデータ） (2024-09-23T07:47:02Z)
• Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
  離散コードによるより強力な協調情報を用いて、コントラスト的なビューを構築することにより、グラフのコントラスト学習を強化することを目的とした、新しいフレームワークを提案する。 中心となる考え方は、ユーザとアイテムを協調情報に富んだ離散コードにマッピングし、信頼性と情報に富んだコントラッシブなビュー生成を可能にすることである。
  論文  参考訳（メタデータ） (2024-09-09T14:04:17Z)
• Enhancing Knowledge Tracing with Concept Map and Response Disentanglement [5.201585012263761]
  本稿では,知識追跡(CRKT)モデルを強化するための概念マップ駆動型応答不整合法を提案する。 CRKTは、答えの選択を直接活用することでKTに恩恵を与える。 さらに,不整合表現を用いて,学生が選択しない選択肢から洞察を得るアンチョセン応答の新規利用について紹介する。
  論文  参考訳（メタデータ） (2024-08-23T11:25:56Z)
• Differentiating Student Feedbacks for Knowledge Tracing [28.669001606806525]
  本稿では,訓練における評価に基づいて,様々な反応の寄与を再重み付けする枠組みを提案する。 また,判別応答の少ない精度を維持するために,適応的な予測スコア融合手法を導入する。
  論文  参考訳（メタデータ） (2022-12-16T13:55:07Z)
• Understanding Self-Predictive Learning for Reinforcement Learning [61.62067048348786]
  強化学習のための自己予測学習の学習ダイナミクスについて検討する。 本稿では,2つの表現を同時に学習する新しい自己予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-06T20:43:37Z)
• An Empirical Investigation of Commonsense Self-Supervision with Knowledge Graphs [67.23285413610243]
  大規模知識グラフから抽出した情報に基づく自己監督は、言語モデルの一般化を改善することが示されている。 本研究では,言語モデルに適用可能な合成データを生成するための知識サンプリング戦略とサイズの影響について検討する。
  論文  参考訳（メタデータ） (2022-05-21T19:49:04Z)
• Self-Regulated Learning for Egocentric Video Activity Anticipation [147.9783215348252]
  自己制御学習(SRL)は、中間表現を連続的に制御し、現在のタイムスタンプのフレームにおける新しい情報を強調する表現を作り出すことを目的としている。 SRLは2つのエゴセントリックなビデオデータセットと2つの第三者のビデオデータセットにおいて、既存の最先端技術よりも大幅に優れています。
  論文  参考訳（メタデータ） (2021-11-23T03:29:18Z)
• An Empirical Comparison of Deep Learning Models for Knowledge Tracing on Large-Scale Dataset [10.329254031835953]
  知識追跡は、各学生の知識概念の熟達をモデル化する問題である。 最近の大規模学生成績データセット citechoi 2019ednet のリリースは、ディープラーニングアプローチのパフォーマンス分析を動機付けている。
  論文  参考訳（メタデータ） (2021-01-16T04:58:17Z)
• Memory-augmented Dense Predictive Coding for Video Representation Learning [103.69904379356413]
  本稿では,新しいアーキテクチャと学習フレームワーク Memory-augmented Predictive Coding (MemDPC) を提案する。 本稿では、RGBフレームからの視覚のみの自己教師付きビデオ表現学習や、教師なし光学フローからの学習、あるいはその両方について検討する。 いずれの場合も、トレーニングデータの桁数が桁違いに少ない他のアプローチに対して、最先端または同等のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2020-08-03T17:57:01Z)

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。