論文の概要: Contrastive Cross-Course Knowledge Tracing via Concept Graph Guided Knowledge Transfer

• arxiv url: http://arxiv.org/abs/2505.13489v1
• Date: Wed, 14 May 2025 10:38:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.267112
• Title: Contrastive Cross-Course Knowledge Tracing via Concept Graph Guided Knowledge Transfer
• Title（参考訳）: 概念グラフ誘導知識伝達によるコントラスト的クロスコース知識追跡
• Authors: Wenkang Han, Wang Lin, Liya Hu, Zhenlong Dai, Yiyun Zhou, Mengze Li, Zemin Liu, Chang Yao, Jingyuan Chen,
• Abstract要約: コントラストのあるクロスコース知識追跡手法であるTransKTを提案する。 それは、異なるコースにわたる学習行動間の関係をモデル化するために、知識伝達をガイドする概念グラフの上に構築される。 TransKTは、シングルコースとクロスコースの知識状態とを整合させる、対照的な目的を採用している。
• 参考スコア（独自算出の注目度）: 12.34590941832835
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge tracing (KT) aims to predict learners' future performance based on historical learning interactions. However, existing KT models predominantly focus on data from a single course, limiting their ability to capture a comprehensive understanding of learners' knowledge states. In this paper, we propose TransKT, a contrastive cross-course knowledge tracing method that leverages concept graph guided knowledge transfer to model the relationships between learning behaviors across different courses, thereby enhancing knowledge state estimation. Specifically, TransKT constructs a cross-course concept graph by leveraging zero-shot Large Language Model (LLM) prompts to establish implicit links between related concepts across different courses. This graph serves as the foundation for knowledge transfer, enabling the model to integrate and enhance the semantic features of learners' interactions across courses. Furthermore, TransKT includes an LLM-to-LM pipeline for incorporating summarized semantic features, which significantly improves the performance of Graph Convolutional Networks (GCNs) used for knowledge transfer. Additionally, TransKT employs a contrastive objective that aligns single-course and cross-course knowledge states, thereby refining the model's ability to provide a more robust and accurate representation of learners' overall knowledge states.
• Abstract（参考訳）: 知識追跡(KT)は,歴史学習の相互作用に基づいて学習者の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。 しかし、既存のKTモデルは、主に1つのコースからのデータに焦点を当て、学習者の知識状態の包括的理解を捉える能力を制限する。 本稿では,異なるコース間の学習行動間の関係をモデル化し,知識状態推定を向上するために,概念グラフを用いた知識伝達を利用したコントラッシブなクロスコース知識追跡手法であるTransKTを提案する。 特に、TransKTはゼロショット大言語モデル(LLM)を利用して、異なるコース間の関連概念間の暗黙のリンクを確立することで、クロスコースの概念グラフを構築する。 このグラフは知識伝達の基礎として機能し、学習者間の相互作用のセマンティックな特徴の統合と強化を可能にする。 さらに、TransKTには要約セマンティック機能を組み込むLLM-to-LMパイプラインが含まれており、知識伝達に使用されるグラフ畳み込みネットワーク(GCN)の性能を大幅に向上させる。 さらに、TransKTは、シングルコースとクロスコースの知識状態を整列する対照的な目的を採用し、学習者の全体的な知識状態をより堅牢かつ正確に表現する能力を改善する。

関連論文リスト

• Language Guided Concept Bottleneck Models for Interpretable Continual Learning [62.09201360376577]
  継続的な学習は、学習した情報を忘れることなく、学習システムが新しい知識を常に獲得することを目的としている。 既存のCLメソッドのほとんどは、モデルパフォーマンスを改善するための学習知識の保存に重点を置いている。 両課題に対処するために,言語指導型概念ボトルネックモデルを統合する新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-03-30T02:41:55Z)
• Exploiting the Semantic Knowledge of Pre-trained Text-Encoders for Continual Learning [70.64617500380287]
  継続的な学習は、モデルが学習した知識を維持しながら、新しいデータから学習することを可能にする。 画像のラベル情報で利用できるセマンティック知識は、以前に取得したセマンティッククラスの知識と関連する重要なセマンティック情報を提供する。 テキスト埋め込みを用いて意味的類似性を把握し,タスク内およびタスク間のセマンティックガイダンスの統合を提案する。
  論文  参考訳（メタデータ） (2024-08-02T07:51:44Z)
• SINKT: A Structure-Aware Inductive Knowledge Tracing Model with Large Language Model [64.92472567841105]
  知識追跡(KT)は、学生が次の質問に正しく答えるかどうかを判断することを目的としている。 大規模言語モデルを用いた構造認識帰納的知識追跡モデル(SINKT) SINKTは、学生の知識状態と質問表現とを相互作用させることで、対象の質問に対する学生の反応を予測する。
  論文  参考訳（メタデータ） (2024-07-01T12:44:52Z)
• Faithful Path Language Modeling for Explainable Recommendation over Knowledge Graph [15.40937702266105]
  PEARLM (Path-based Explainable-Accurate Recommender based on Language Modelling) を導入し,知識グラフ制約デコーディング(KGCD)機構を改良した。 この機構は、復号レベルで有効なKG接続に付着させることにより、劣化した経路のゼロ発生を保証する。 本手法の有効性を厳密な経験的評価により検証し,説明経路の整合性を定量化する指標を新たに提案した。
  論文  参考訳（メタデータ） (2023-10-25T08:14:49Z)
• Knowledge Distillation via Token-level Relationship Graph [12.356770685214498]
  token-level Relation Graph (TRG) を用いた知識蒸留法を提案する。 TRGを利用することで、教師モデルから高レベルの意味情報を効果的にエミュレートすることができる。 我々は,提案手法の有効性を,いくつかの最先端手法に対して評価する実験を行った。
  論文  参考訳（メタデータ） (2023-06-20T08:16:37Z)
• Recognizing Unseen Objects via Multimodal Intensive Knowledge Graph Propagation [68.13453771001522]
  画像の領域と対応するセマンティック埋め込みとをマッチングする多モード集中型ZSLフレームワークを提案する。 我々は、大規模な実世界のデータに基づいて、広範囲な実験を行い、そのモデルを評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:07:48Z)
• Jointly Learning Knowledge Embedding and Neighborhood Consensus with Relational Knowledge Distillation for Entity Alignment [9.701081498310165]
  エンティティアライメントは、異なる知識グラフから異種知識を統合することを目的としています。 近年の研究では、知識グラフを初めて学習し、エンティティアライメントを実行することで、埋め込みに基づく手法が採用されている。 本稿では,知識蒸留機能を備えたグラフ畳み込みネットワーク(GCN)モデルを提案する。
  論文  参考訳（メタデータ） (2022-01-25T02:47:14Z)
• Semantic TrueLearn: Using Semantic Knowledge Graphs in Recommendation Systems [22.387120578306277]
  本研究は,意味的関連性を取り入れた国家認識型教育レコメンデーションシステムの構築を目指している。 本稿では,ウィキペディアリンクグラフを用いた学習リソースにおける知識コンポーネント間の意味的関連性を利用した,新しい学習モデルを提案する。 大規模データセットを用いた実験により,TrueLearnアルゴリズムの新たなセマンティックバージョンが,予測性能の面で統計的に有意な改善を実現していることが示された。
  論文  参考訳（メタデータ） (2021-12-08T16:23:27Z)
• KEML: A Knowledge-Enriched Meta-Learning Framework for Lexical Relation Classification [37.2106265998237]
  語彙関係は三重関係の形で、概念がどのように意味論的に関連しているかを記述する。 語彙関係分類の課題に対処する知識強化メタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:43:56Z)

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。