論文の概要: Cuff-KT: Tackling Learners' Real-time Learning Pattern Adjustment via Tuning-Free Knowledge State Guided Model Updating

• arxiv url: http://arxiv.org/abs/2505.19543v1
• Date: Mon, 26 May 2025 06:04:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.198605
• Title: Cuff-KT: Tackling Learners' Real-time Learning Pattern Adjustment via Tuning-Free Knowledge State Guided Model Updating
• Title（参考訳）: Cuff-KT: 学習者のリアルタイム学習パターン調整にタニングフリーの知識状態指導型モデル更新による対応
• Authors: Yiyun Zhou, Zheqi Lv, Shengyu Zhang, Jingyuan Chen,
• Abstract要約: KT(Knowledge Tracing)は、Intelligent Tutoring Systemsのコアコンポーネントである。 Cuff-KTは微調整なしで高速かつ柔軟にデータ変更に適応する。
• 参考スコア（独自算出の注目度）: 7.145106976584109
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Tracing (KT) is a core component of Intelligent Tutoring Systems, modeling learners' knowledge state to predict future performance and provide personalized learning support. Traditional KT models assume that learners' learning abilities remain relatively stable over short periods or change in predictable ways based on prior performance. However, in reality, learners' abilities change irregularly due to factors like cognitive fatigue, motivation, and external stress -- a task introduced, which we refer to as Real-time Learning Pattern Adjustment (RLPA). Existing KT models, when faced with RLPA, lack sufficient adaptability, because they fail to timely account for the dynamic nature of different learners' evolving learning patterns. Current strategies for enhancing adaptability rely on retraining, which leads to significant overfitting and high time overhead issues. To address this, we propose Cuff-KT, comprising a controller and a generator. The controller assigns value scores to learners, while the generator generates personalized parameters for selected learners. Cuff-KT controllably adapts to data changes fast and flexibly without fine-tuning. Experiments on five datasets from different subjects demonstrate that Cuff-KT significantly improves the performance of five KT models with different structures under intra- and inter-learner shifts, with an average relative increase in AUC of 10% and 4%, respectively, at a negligible time cost, effectively tackling RLPA task. Our code and datasets are fully available at https://github.com/zyy-2001/Cuff-KT.
• Abstract（参考訳）: 知識追跡(KT)は、知能学習システムの中核的なコンポーネントであり、学習者の知識状態をモデル化し、将来のパフォーマンスを予測し、パーソナライズされた学習支援を提供する。 従来のKTモデルは、学習者の学習能力は短期的に比較的安定しているか、あるいは事前のパフォーマンスに基づいて予測可能な方法で変化していると仮定している。 しかし、実際には、認知的疲労、モチベーション、外部ストレスなどの要因によって学習者の能力は不規則に変化し、これはリアルタイム学習パターン調整(Real-time Learning Pattern Adjustment, RLPA)と呼ばれるタスクである。 既存のKTモデルは、RLPAに直面すると、異なる学習者の進化する学習パターンの動的性質をタイムリーに説明できないため、十分な適応性に欠ける。 適応性を高めるための現在の戦略は再訓練に依存しており、これは大幅な過度なオーバーフィッティングと高い時間的オーバーヘッドをもたらす。 そこで本稿では,コントローラとジェネレータを組み合わせたCuff-KTを提案する。 コントローラは学習者に値スコアを割り当て、ジェネレータは選択した学習者に対してパーソナライズされたパラメータを生成する。 Cuff-KTは微調整なしで高速かつ柔軟にデータ変更に適応する。 異なる被験者の5つのデータセットに対する実験により、Cuff-KTは、異なる構造を持つ5つのKTモデルの性能を、異なる時間的コストで、それぞれ10%と4%の相対的増加率で改善し、RLPAタスクに効果的に対処することを示した。 コードとデータセットはhttps://github.com/zyy-2001/Cuff-KT.comで公開されています。

関連論文リスト

• RouterKT: Mixture-of-Experts for Knowledge Tracing [1.983472984641239]
  知識追跡(KT)は知能学習システム(ITS)の基本課題である 異種学習パターンをキャプチャする新しいMixture-of-ExpertsアーキテクチャであるRouterKTを提案する。 RouterKTは,様々なKTバックボーンモデルの性能向上と柔軟性を示す。
  論文  参考訳（メタデータ） (2025-04-11T21:42:08Z)
• Learning to Learn without Forgetting using Attention [5.6739565497512405]
  継続学習(きゅうがく、Continuous Learning, CL)とは、学習経験を維持しつつ、新たな知識を付加することで、時間とともに継続的に学習する能力である。 現在の機械学習手法は、以前に学んだパターンを上書きし、過去の経験を忘れやすい。 手作りの効果的な更新機構は難しいため,変圧器をベースとしたメタラーニングによるCLの強化を提案する。
  論文  参考訳（メタデータ） (2024-08-06T14:25:23Z)
• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [65.57123249246358]
  本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。 一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。 一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
  論文  参考訳（メタデータ） (2023-09-13T17:55:11Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• Improving the Performance of Robust Control through Event-Triggered Learning [74.57758188038375]
  LQR問題における不確実性に直面していつ学習するかを決定するイベントトリガー学習アルゴリズムを提案する。 本研究では,ロバストな制御器ベースライン上での性能向上を数値例で示す。
  論文  参考訳（メタデータ） (2022-07-28T17:36:37Z)
• LANA: Towards Personalized Deep Knowledge Tracing Through Distinguishable Interactive Sequences [21.67751919579854]
  今後の質問に対する学生の回答を予測するために、Leveled Attentive KNowledge TrAcing(LANA)を提案します。 新しい学生関連特徴抽出装置(SRFE)を使用して、学生固有の特性をそれぞれのインタラクティブシーケンスから蒸留します。 ピボットモジュールは、個々の学生のためのデコーダを再構築し、グループのためのレベル付き学習特化エンコーダにより、パーソナライズされたDKTを実現した。
  論文  参考訳（メタデータ） (2021-04-21T02:57:42Z)

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。