Fugu-MT 論文翻訳(概要): Leveraging Knowledge Graphs and Large Language Models to Track and Analyze Learning Trajectories

論文の概要: Leveraging Knowledge Graphs and Large Language Models to Track and Analyze Learning Trajectories

arxiv url: http://arxiv.org/abs/2504.11481v1
Date: Sun, 13 Apr 2025 16:27:15 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-25 01:47:30.52674
Title: Leveraging Knowledge Graphs and Large Language Models to Track and Analyze Learning Trajectories
Title（参考訳）: 学習軌跡の追跡と解析に知識グラフと大規模言語モデルを活用する
Authors: Yu-Hxiang Chen, Ju-Shen Huang, Jia-Yu Hung, Chia-Kai Chang,
Abstract要約: 大規模言語モデル(LLM)に基づく知識グラフ構築手法を提案する。学習教材を構造化されたデータに変換し、学生のテストデータを分析して個別の学習軌跡グラフを生成する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: This study addresses the challenges of tracking and analyzing students' learning trajectories, particularly the issue of inadequate knowledge coverage in course assessments. Traditional assessment tools often fail to fully cover course content, leading to imprecise evaluations of student mastery. To tackle this problem, the study proposes a knowledge graph construction method based on large language models (LLMs), which transforms learning materials into structured data and generates personalized learning trajectory graphs by analyzing students' test data. Experimental results demonstrate that the model effectively alerts teachers to potential biases in their exam questions and tracks individual student progress. This system not only enhances the accuracy of learning assessments but also helps teachers provide timely guidance to students who are falling behind, thereby improving overall teaching strategies.
Abstract（参考訳）: 本研究は,学生の学習軌跡の追跡と分析の課題,特にコース評価における知識カバレッジの不十分な問題に対処する。従来のアセスメントツールはコースの内容を完全にカバーできないことが多く、学生の熟達を不正確な評価に導く。そこで本研究では,大規模言語モデル(LLM)に基づく知識グラフ構築手法を提案する。実験結果から,本モデルは教員に対して,受験者の質問に対するバイアスを効果的に警告し,個々の生徒の進捗を追跡できることを示した。このシステムは、学習評価の精度を高めるだけでなく、遅れている生徒にタイムリーな指導を提供することで、全体の教育戦略を改善する。

関連論文リスト

A Study on Educational Data Analysis and Personalized Feedback Report Generation Based on Tags and ChatGPT [9.269064231481591]
本研究では,タグアノテーションとChatGPT言語モデルを用いて,生徒の学習行動を分析する手法を提案する。生の教育データを解釈可能なタグに変換することにより、効率的でタイムリーな学習フィードバックの提供を支援する。
論文参考訳（メタデータ） (2025-01-12T14:23:17Z)
Explainable Few-shot Knowledge Tracing [48.877979333221326]
本稿では,学生の記録から学生の知識をトラッキングし,自然言語による説明を提供する認知誘導フレームワークを提案する。 3つの広く使われているデータセットによる実験結果から、LLMは競合する深層知識追跡手法に匹敵する、あるいは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） (2024-05-23T10:07:21Z)
Evaluating and Optimizing Educational Content with Large Language Model Judgments [52.33701672559594]
言語モデル(LM)を教育専門家として活用し,学習結果に対する様々な指導の影響を評価する。本稿では,一方のLMが他方のLMの判断を報酬関数として利用して命令材料を生成する命令最適化手法を提案する。ヒトの教師によるこれらのLM生成ワークシートの評価は、LM判定と人間の教師の嗜好との間に有意な整合性を示す。
論文参考訳（メタデータ） (2024-03-05T09:09:15Z)
YODA: Teacher-Student Progressive Learning for Language Models [82.0172215948963]
本稿では,教師が指導するプログレッシブ・ラーニング・フレームワークであるYodaを紹介する。モデルファインチューニングの有効性を向上させるために,教師の教育過程をエミュレートする。実験の結果, YODAのデータによるLLaMA2のトレーニングにより, SFTは大幅に向上した。
論文参考訳（メタデータ） (2024-01-28T14:32:15Z)
Integrating AI and Learning Analytics for Data-Driven Pedagogical Decisions and Personalized Interventions in Education [0.2812395851874055]
本研究では,革新的な学習分析ツールの概念化,開発,展開について検討する。学生のストレスレベル、好奇心、混乱、扇動、トピックの嗜好、学習方法などの重要なデータポイントを分析し、学習環境の総合的なビューを提供する。この研究は、パーソナライズされたデータ駆動型教育を形成する上で、AIが果たす役割を浮き彫りにする。
論文参考訳（メタデータ） (2023-12-15T06:00:26Z)
Knowledge Tracing Challenge: Optimal Activity Sequencing for Students [0.9814642627359286]
知識追跡(きゅうがく、英: Knowledge Trace)は、個々の学習者による知識の獲得を評価・追跡する教育において用いられる手法である。我々は,AAAI2023 Global Knowledge Tracing Challengeの一環として,新たにリリースされたデータセット上に2つの知識追跡アルゴリズムを実装した結果を示す。
論文参考訳（メタデータ） (2023-11-13T16:28:34Z)
A Survey of Imbalanced Learning on Graphs: Problems, Techniques, and Future Directions [64.84521350148513]
グラフは、現実世界の無数に存在する相互接続構造を表す。グラフ学習方法のような効果的なグラフ分析により、ユーザはグラフデータから深い洞察を得ることができる。しかし、これらの手法はデータ不均衡に悩まされることが多く、グラフデータでは、あるセグメントが豊富なデータを持っているのに、他のセグメントが不足しているのが一般的な問題である。これは、より正確で代表的な学習結果のために、これらのデータ分散スキューを補正することを目的として、グラフ上の不均衡学習の出現する分野を必要とする。
論文参考訳（メタデータ） (2023-08-26T09:11:44Z)
Distantly-Supervised Named Entity Recognition with Adaptive Teacher Learning and Fine-grained Student Ensemble [56.705249154629264]
NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
論文参考訳（メタデータ） (2022-12-13T12:14:09Z)
A Machine Learning system to monitor student progress in educational institutes [0.0]
本稿では、機械学習技術を用いて、クレジットスコアと呼ばれる分類器を生成するデータ駆動手法を提案する。信用スコアを進捗指標として使うという提案は、学習管理システムで使うのに適している。
論文参考訳（メタデータ） (2022-11-02T08:24:08Z)
Desperately seeking the impact of learning analytics in education at scale: Marrying data analysis with teaching and learning [0.0]
学習分析(LA)は、学習成果、学習者支援、教育を改善することができると主張されている。教育環境におけるLAの有効性を示す実践への影響の実証的な証拠はいまだ少ない。学生の大規模学習改善を目的としたデータ駆動意思決定の効果を高めるためには,教育者のニーズをよりよく理解する必要がある。
論文参考訳（メタデータ） (2021-05-14T07:33:17Z)
Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
論文参考訳（メタデータ） (2021-01-19T12:23:32Z)
Redesign of web-based exam for knowledge evaluation in Advanced Mathematics for pharmaceutical students based on analysis of the results [0.0]
本稿では,学生の知識評価のために実装された電子テストの詳細な分析を行う。テストに含まれる質問と学生が与える回答を推定して分析する。
論文参考訳（メタデータ） (2020-04-06T16:20:32Z)

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。