論文の概要: MAS-KCL: Knowledge component graph structure learning with large language model-based agentic workflow

• arxiv url: http://arxiv.org/abs/2505.14126v1
• Date: Tue, 20 May 2025 09:32:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.972185
• Title: MAS-KCL: Knowledge component graph structure learning with large language model-based agentic workflow
• Title（参考訳）: MAS-KCL:大規模言語モデルに基づくエージェントワークフローを用いた知識コンポーネントグラフ構造学習
• Authors: Yuan-Hao Jiang, Kezong Tang, Zi-Wei Chen, Yuang Wei, Tian-Yi Liu, Jiayi Wu,
• Abstract要約: 正確なKCグラフは、特定のKC上での学習者の貧弱なパフォーマンスの根本原因を特定するのに役立てることができる。 我々は,大規模言語モデルによって駆動されるマルチエージェントシステムを用いたMAS-KCLというKCグラフ構造学習アルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 12.083628171166733
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge components (KCs) are the fundamental units of knowledge in the field of education. A KC graph illustrates the relationships and dependencies between KCs. An accurate KC graph can assist educators in identifying the root causes of learners' poor performance on specific KCs, thereby enabling targeted instructional interventions. To achieve this, we have developed a KC graph structure learning algorithm, named MAS-KCL, which employs a multi-agent system driven by large language models for adaptive modification and optimization of the KC graph. Additionally, a bidirectional feedback mechanism is integrated into the algorithm, where AI agents leverage this mechanism to assess the value of edges within the KC graph and adjust the distribution of generation probabilities for different edges, thereby accelerating the efficiency of structure learning. We applied the proposed algorithm to 5 synthetic datasets and 4 real-world educational datasets, and experimental results validate its effectiveness in learning path recognition. By accurately identifying learners' learning paths, teachers are able to design more comprehensive learning plans, enabling learners to achieve their educational goals more effectively, thus promoting the sustainable development of education.
• Abstract（参考訳）: 知識コンポーネント(KCs)は、教育分野における知識の基本単位である。 KCグラフは、KC間の関係と依存関係を示している。 正確なKCグラフは、学習者の特定のKCに対するパフォーマンス不良の根本原因を特定するのに役立てることができる。 そこで我々は,大規模な言語モデルによって駆動されるマルチエージェントシステムを用いて,KCグラフの適応的な修正と最適化を行うKCグラフ構造学習アルゴリズムMAS-KCLを開発した。 さらに、このアルゴリズムには双方向フィードバック機構が組み込まれており、AIエージェントはこのメカニズムを利用して、KCグラフ内のエッジの値を評価し、異なるエッジに対する生成確率の分布を調整することにより、構造学習の効率を向上する。 提案アルゴリズムを5つの合成データセットと4つの実世界の教育データセットに適用し,その学習経路認識の有効性を実験的に検証した。 学習者の学習経路を正確に識別することにより、教師はより包括的な学習計画を設計することができ、学習者が教育目標をより効果的に達成し、教育の持続可能な発展を促進することができる。

関連論文リスト

• Top-Down vs. Bottom-Up Approaches for Automatic Educational Knowledge Graph Construction in CourseMapper [0.5937476291232802]
  本研究では,自動EduKG構築におけるトップダウンとボトムアップのアプローチを比較した。 以上の結果から,ボトムアップアプローチは,重要な知識概念を正確に識別し,マッピングする上で,トップダウンアプローチよりも優れていることが示唆された。
  論文  参考訳（メタデータ） (2025-05-15T08:11:48Z)
• Adversarial Curriculum Graph-Free Knowledge Distillation for Graph Neural Networks [61.608453110751206]
  本稿では,グラフニューラルネットワークのための高速かつ高品質なデータフリー知識蒸留手法を提案する。 グラフフリーKD法(ACGKD)は擬似グラフの空間的複雑さを著しく低減する。 ACGKDは、生徒の次元を拡大することで、生徒と教師のモデル間の次元のあいまいさを取り除く。
  論文  参考訳（メタデータ） (2025-04-01T08:44:27Z)
• Automated Knowledge Concept Annotation and Question Representation Learning for Knowledge Tracing [59.480951050911436]
  自動知識概念アノテーションと質問表現学習のためのフレームワークであるKCQRLを提案する。 実世界の2つの学習データセット上で、15KTアルゴリズムにまたがるKCQRLの有効性を実証する。
  論文  参考訳（メタデータ） (2024-10-02T16:37:19Z)
• Exploring Graph-based Knowledge: Multi-Level Feature Distillation via Channels Relational Graph [8.646512035461994]
  視覚的なタスクでは、大きな教師モデルは重要な特徴と深い情報を取得し、パフォーマンスを向上する。 マルチレベル特徴アライメント戦略を含むグラフ知識に基づく蒸留フレームワークを提案する。 蒸留工程におけるスペクトル埋め込み (SE) は, 学生の特徴空間と教師ネットワークに類似した関係知識と構造的複雑さを融合させる重要な手法である。
  論文  参考訳（メタデータ） (2024-05-14T12:37:05Z)
• Predictive, scalable and interpretable knowledge tracing on structured domains [6.860460230412773]
  PSI-KTは、個人の認知特性と知識の前提構造の両方が学習力学にどのように影響するかを明確にモデル化する階層的生成手法である。 PSI-KTは、学習者や歴史の学習者であっても、実世界の効率的なパーソナライズの必要性を目標にしている。
  論文  参考訳（メタデータ） (2024-03-19T22:19:29Z)
• Graph-level Protein Representation Learning by Structure Knowledge Refinement [50.775264276189695]
  本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。 本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という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） (2024-01-05T09:05:33Z)
• GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
  Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。 我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。 学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
  論文  参考訳（メタデータ） (2022-12-07T10:19:39Z)
• Implicit Offline Reinforcement Learning via Supervised Learning [83.8241505499762]
  監視学習によるオフライン強化学習(RL)は、さまざまな専門レベルのポリシーによって収集されたデータセットからロボットスキルを学ぶための、シンプルで効果的な方法である。 我々は、暗黙的なモデルが返却情報を利用して、固定されたデータセットからロボットスキルを取得するために、明示的なアルゴリズムにマッチするか、あるいは性能を向上するかを示す。
  論文  参考訳（メタデータ） (2022-10-21T21:59:42Z)

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。