論文の概要: Cold Start Problem: An Experimental Study of Knowledge Tracing Models with New Students

• arxiv url: http://arxiv.org/abs/2505.21517v1
• Date: Thu, 22 May 2025 04:09:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.115624
• Title: Cold Start Problem: An Experimental Study of Knowledge Tracing Models with New Students
• Title（参考訳）: コールドスタート問題 : 新入生を対象とした知識追跡モデルの実験的検討
• Authors: Indronil Bhattacharjee, Christabel Wayllace,
• Abstract要約: KnowledgeTracing(KT)は、知的学習システム(ITS)とのインタラクションに基づいて、学生の知識状態を予測する。 主要な課題はコールドスタートの問題であり、最小のインタラクションデータを持つ新入生の知識を正確に予測する。 深部知識追跡(DKT)、動的キー値記憶ネットワーク(DKVMN)、自己認識的知識追跡(SAKT)の3モデルにわたるコールドスタート効果について検討する。 結果は、全てのモデルが最初はコールドスタート条件下で苦戦するが、より多くの相互作用によって徐々に改善していることを示している。
• 参考スコア（独自算出の注目度）: 4.7750095113157744
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: KnowledgeTracing (KT) involves predicting students' knowledge states based on their interactions with Intelligent Tutoring Systems (ITS). A key challenge is the cold start problem, accurately predicting knowledge for new students with minimal interaction data. Unlike prior work, which typically trains KT models on initial interactions of all students and tests on their subsequent interactions, our approach trains models solely using historical data from past students, evaluating their performance exclusively on entirely new students. We investigate cold start effects across three KT models: Deep Knowledge Tracing (DKT), Dynamic Key-Value Memory Networks (DKVMN), and Self-Attentive Knowledge Tracing (SAKT), using ASSISTments 2009, 2015, and 2017 datasets. Results indicate all models initially struggle under cold start conditions but progressively improve with more interactions; SAKT shows higher initial accuracy yet still faces limitations. These findings highlight the need for KT models that effectively generalize to new learners, emphasizing the importance of developing models robust in few-shot and zero-shot learning scenarios
• Abstract（参考訳）: KnowledgeTracing (KT) は、Intelligent Tutoring Systems (ITS) とのインタラクションに基づいて、学生の知識状態を予測する。 重要な課題はコールドスタートの問題であり、最小のインタラクションデータを持つ新入生の知識を正確に予測する。 従来のKTモデルをすべての学生の初歩的なインタラクションで訓練し、その後のインタラクションでテストするのとは異なり、我々のアプローチは過去の学生の履歴データのみを用いてモデルを訓練し、完全に新しい学生のみのパフォーマンスを評価する。 ASSISTments 2009, 2017データセットを用いて, 深部知識追跡(DKT), Dynamic Key-Value Memory Networks(DKVMN), Self-Attentive Knowledge Tracing(SAKT)の3モデルを対象としたコールドスタート効果を検討した。 結果は、全てのモデルが最初はコールドスタート条件下で苦戦するが、より多くの相互作用によって徐々に改善していることを示している。 これらの知見は、新規学習者に効果的に一般化するKTモデルの必要性を強調し、少数ショットおよびゼロショット学習シナリオにおいて堅牢なモデルを開発することの重要性を強調した。

関連論文リスト

• AdvKT: An Adversarial Multi-Step Training Framework for Knowledge Tracing [64.79967583649407]
  知識追跡(KT)は、学生の知識状態を監視し、質問シーケンスに対する反応をシミュレートする。 既存のKTモデルは通常、単一ステップのトレーニングパラダイムに従っており、大きなエラーの蓄積につながる。 本稿では,多段階KTタスクに着目した新しい知識追跡のための多段階学習フレームワーク(AdvKT)を提案する。
  論文  参考訳（メタデータ） (2025-04-07T03:31:57Z)
• DASKT: A Dynamic Affect Simulation Method for Knowledge Tracing [51.665582274736785]
  KT(Knowledge Tracing)は,学生の履歴計算によって将来のパフォーマンスを予測し,学生の感情状態を理解することで,KTの有効性を高めることができる。 本研究では,学生の感情状態が知識状態に与える影響を調べるために,DASKT(Affect Dynamic Knowledge Tracing)を提案する。 我々の研究は、高い解釈可能性と精度の実現に焦点をあてて、今後の研究への有望な道のりを強調している。
  論文  参考訳（メタデータ） (2025-01-18T10:02:10Z)
• 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)
• Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
  継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。 本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2024-01-29T18:27:52Z)
• Enhancing Deep Knowledge Tracing with Auxiliary Tasks [24.780533765606922]
  本稿では,emphAT-DKTによる知識追跡モデルの予測性能の向上について述べる。 実世界の3つの教育データセットに関する総合的な実験を行い、提案手法を深部逐次KTモデルと非逐次モデルの両方と比較する。
  論文  参考訳（メタデータ） (2023-02-14T08:21:37Z)
• HiTSKT: A Hierarchical Transformer Model for Session-Aware Knowledge Tracing [35.02243127325724]
  知識追跡(KT)は、学生の学習履歴を活用して、事前に定義された一連のスキルに基づいて熟達レベルを推定することを目的としており、それに対応する将来のパフォーマンスを正確に予測できる。 実際には、学生の学習履歴は、単に独立した回答の列であるのではなく、セッションとして知られる、大量の質問の集合に対する回答を含んでいる。 既存のKTモデルは、学生の知識状態のセッションシフトを捉えずに、学生の学習記録を単一の継続シーケンスとして扱う。
  論文  参考訳（メタデータ） (2022-12-23T04:22:42Z)
• Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
  我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。 まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。 トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
  論文  参考訳（メタデータ） (2022-11-24T13:18:27Z)
• Interpretable Knowledge Tracing: Simple and Efficient Student Modeling with Causal Relations [21.74631969428855]
  解釈可能な知識追跡(英: Interpretable Knowledge Tracing, IKT)は、3つの有意義な潜在機能に依存する単純なモデルである。 IKTの将来の学生成績予測は、Tree-Augmented Naive Bayes (TAN) を用いて行われる。 IKTは、現実世界の教育システムにおいて、因果推論を用いた適応的でパーソナライズされた指示を提供する大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2021-12-15T19:05:48Z)
• GIKT: A Graph-based Interaction Model for Knowledge Tracing [36.07642261246016]
  上記の問題に対処するために,知識追跡のためのグラフベースインタラクションモデルを提案する。 より具体的には、GIKTはグラフ畳み込みネットワーク(GCN)を使用して、質問スキル相関を実質的に組み込んでいる。 3つのデータセットの実験では、GIKTが新しい最先端のパフォーマンスを実現し、少なくとも1%の絶対AUC改善を実現している。
  論文  参考訳（メタデータ） (2020-09-13T12:50:32Z)

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。

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。