論文の概要: A Hierarchical Probabilistic Framework for Incremental Knowledge Tracing in Classroom Settings

• arxiv url: http://arxiv.org/abs/2506.09393v1
• Date: Wed, 11 Jun 2025 04:49:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 06:35:02.485883
• Title: A Hierarchical Probabilistic Framework for Incremental Knowledge Tracing in Classroom Settings
• Title（参考訳）: 教室におけるインクリメンタル・ナレッジ・トラクションのための階層的確率的枠組み
• Authors: Xinyi Gao, Qiucheng Wu, Yang Zhang, Xuechen Liu, Kaizhi Qian, Ying Xu, Shiyu Chang,
• Abstract要約: 知識追跡(KT)は、学生の進化する知識状態を推定し、パフォーマンス履歴に基づいて新しいエクササイズでパフォーマンスを予測することを目的としている。 KTの多くの現実的な教室設定は、典型的には低リソースであり、学生の運動履歴が大きくなるにつれてオンライン更新が必要である。 本稿では,知識概念の木構造階層上での学習者の理解をモデル化する確率的KTフレームワークであるナレッジトレーベースのナレッジトレーシング(KT$2$)を提案する。
• 参考スコア（独自算出の注目度）: 41.75716330356651
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge tracing (KT) aims to estimate a student's evolving knowledge state and predict their performance on new exercises based on performance history. Many realistic classroom settings for KT are typically low-resource in data and require online updates as students' exercise history grows, which creates significant challenges for existing KT approaches. To restore strong performance under low-resource conditions, we revisit the hierarchical knowledge concept (KC) information, which is typically available in many classroom settings and can provide strong prior when data are sparse. We therefore propose Knowledge-Tree-based Knowledge Tracing (KT$^2$), a probabilistic KT framework that models student understanding over a tree-structured hierarchy of knowledge concepts using a Hidden Markov Tree Model. KT$^2$ estimates student mastery via an EM algorithm and supports personalized prediction through an incremental update mechanism as new responses arrive. Our experiments show that KT$^2$ consistently outperforms strong baselines in realistic online, low-resource settings.
• Abstract（参考訳）: 知識追跡(KT)は、学生の進化する知識状態を推定し、パフォーマンス履歴に基づいて新しいエクササイズでパフォーマンスを予測することを目的としている。 KTの多くの現実的な教室設定は、典型的には低リソースであり、学生の運動履歴が増加するにつれてオンライン更新を必要とするため、既存のKTアプローチには大きな課題が生じる。 低リソース環境下での強靭な性能を回復するため,多くの教室で一般的に利用できる階層的知識概念(KC)情報を再検討し,データ不足時に強靭な事前情報を提供する。 そこで我々は,隠れマルコフ木モデルを用いた知識概念の木構造階層上での学習者の理解をモデル化する確率的KTフレームワークであるナレッジトレーベース知識トレース(KT$^2$)を提案する。 KT$^2$は、EMアルゴリズムを介して学生の熟達を推定し、新しいレスポンスが到着するにつれて、インクリメンタルな更新メカニズムを通じてパーソナライズされた予測をサポートする。 我々の実験によると、KT$^2$は、リアルなオンライン、低リソース設定において、一貫して強力なベースラインを上回ります。

関連論文リスト

• Revisiting Applicable and Comprehensive Knowledge Tracing in Large-Scale Data [2.979487471903892]
  知識追跡(KT)は知能学習システム(ITS)の基本コンポーネントである 我々は最近開発されたxLSTMアーキテクチャを利用した新しいKTモデルであるDKT2を提案する。 3つの大規模データセットにわたる大規模な実験により、DKT2は様々な予測タスクにおいて17のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-24T05:44:04Z)
• 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)
• 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)
• Improving Low-Resource Knowledge Tracing Tasks by Supervised Pre-training and Importance Mechanism Fine-tuning [25.566963415155325]
  上記の課題に対処するため,低リソースのKTフレームワークであるLoReKTを提案する。 一般的な"事前学習と微調整"パラダイムにインスパイアされた我々は、リッチリソースのKTデータセットから転送可能なパラメータと表現を学習することを目指している。 複数のKTデータソースからの学生のインタラクションを組み込むエンコーディング機構を設計する。
  論文  参考訳（メタデータ） (2024-03-11T13:44:43Z)
• Schema-aware Reference as Prompt Improves Data-Efficient Knowledge Graph Construction [57.854498238624366]
  本稿では,データ効率のよい知識グラフ構築のためのRAP(Schema-Aware Reference As Prompt)の検索手法を提案する。 RAPは、人間の注釈付きおよび弱教師付きデータから受け継いだスキーマと知識を、各サンプルのプロンプトとして動的に活用することができる。
  論文  参考訳（メタデータ） (2022-10-19T16:40:28Z)

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。