論文の概要: Education-Oriented Graph Retrieval-Augmented Generation for Learning Path Recommendation

• arxiv url: http://arxiv.org/abs/2506.22303v1
• Date: Fri, 27 Jun 2025 15:15:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.256316
• Title: Education-Oriented Graph Retrieval-Augmented Generation for Learning Path Recommendation
• Title（参考訳）: 学習経路レコメンデーションのための教育指向グラフ検索生成
• Authors: Xinghe Cheng, Zihan Zhang, Jiapu Wang, Liangda Fang, Chaobo He, Quanlong Guan, Shirui Pan, Weiqi Luo,
• Abstract要約: 本稿では,学習経路レコメンデーションを強化するために,DLELP(Distrimination Learning Enhances Learning Path Recommendation)を提案する。 学習データセットの知識概念構造グラフを適応的に構築する知識概念構造グラフ生成モジュールを提案する。 次に、ブロックされた学習経路の問題を緩和する識別学習駆動強化学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 56.37740554448673
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning path recommendation seeks to provide learners with a structured sequence of learning items (e.g., knowledge concepts or exercises) to optimize their learning efficiency. Despite significant efforts in this area, most existing methods primarily rely on prerequisite relationships, which present two major limitations: 1) Many educational datasets do not explicitly provide prerequisite relationships between knowledge concepts, hindering the application of current learning path recommendation methods. 2) Relying solely on prerequisite relationships as the sole knowledge structure can impede learning progress and negatively impact student outcomes. To address these challenges, we propose a novel approach, Discrimination Learning Enhances Learning Path Recommendation (DLELP), which enhances learning path recommendations by incorporating both prerequisite and similarity relationships between knowledge concepts. Specifically, we introduce a knowledge concept structure graph generation module that adaptively constructs knowledge concept structure graphs for different educational datasets, significantly improving the generalizability of learning path recommendation methods. We then propose a Discrimination Learning-driven Reinforcement Learning (DLRL) framework, which mitigates the issue of blocked learning paths, further enhancing the efficacy of learning path recommendations. Finally, we conduct extensive experiments on three benchmark datasets, demonstrating that our method not only achieves state-of-the-art performance but also provides interpretable reasoning for the recommended learning paths.
• Abstract（参考訳）: 学習パスレコメンデーションは,学習効率を最適化するために,学習項目(知識概念や演習など)を構造化したシーケンスで提供しようとする。 この分野で多大な努力を払っているにもかかわらず、既存のほとんどの手法は、主に前提となる関係に頼っている。 1)多くの教育データセットは,知識概念間の前提的関係を明示的に提供していないため,現在の学習経路推薦手法の適用を妨げている。 2) 学習の進展を阻害し, 学生の成果に悪影響を及ぼすおそれがある。 これらの課題に対処するため,本研究では,知識概念間の前提条件と類似性の両方を組み込むことで,学習経路レコメンデーションを強化する新たなアプローチとして,DLELP(Distrimination Learning Enhances Learning Path Recommendation)を提案する。 具体的には,知識概念構造グラフ生成モジュールを導入し,知識概念構造グラフを異なる教育データセットに対して適応的に構築し,学習経路推薦手法の一般化性を大幅に向上させる。 次に、ブロックされた学習経路の問題を軽減する識別学習駆動強化学習(DLRL)フレームワークを提案し、学習経路推薦の有効性をさらに高める。 最後に,3つのベンチマークデータセットに対する広範な実験を行い,提案手法が最先端の性能を達成するだけでなく,推奨学習経路の解釈可能な推論も提供することを示した。

関連論文リスト

• Advancing Personalized Learning Analysis via an Innovative Domain Knowledge Informed Attention-based Knowledge Tracing Method [0.0]
  本稿では,カリキュラムに知識概念経路のドメイン知識を効果的に取り入れた,革新的な注意に基づく手法を提案する。 我々はXES3G5Mデータセットを用いて提案手法の性能を7つの最先端ディープラーニングモデルと比較した。
  論文  参考訳（メタデータ） (2025-01-09T22:41:50Z)
• Beyond Scaleup: Knowledge-aware Parsimony Learning from Deep Networks [47.6830995661091]
  トレーニングデータセット、学習可能なパラメータ、計算能力のブルートフォーススケールアップは、より堅牢な学習モデルを開発するための一般的な戦略となっている。 本稿では、より単純なモデルでより大きな可能性を実現するために、同種の方法でこの問題に対処しようと試みる。 鍵となるのは、純粋にスケールアップに頼るのではなく、記号、論理、公式といったドメイン固有の知識を使ってモデルを駆動することだ。
  論文  参考訳（メタデータ） (2024-06-29T15:52:37Z)
• Set-to-Sequence Ranking-based Concept-aware Learning Path Recommendation [49.85548436111153]
  SRC(Set-to-Sequence Ranking-based Concept-Aware Learning Path Recommendation)という新しいフレームワークを提案する。 SRCは、セット・ツー・シーケンス・パラダイムの下でレコメンデーション・タスクを定式化する。 実世界の2つの公開データセットと1つの産業データセットについて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-06-07T08:24:44Z)
• Towards Scalable Adaptive Learning with Graph Neural Networks and Reinforcement Learning [0.0]
  学習経路のパーソナライズに関する問題に対して,フレキシブルでスケーラブルなアプローチを導入する。 我々のモデルはグラフニューラルネットワークに基づく逐次レコメンデーションシステムである。 以上の結果から,小規模データ体制における適切なレコメンデーションを学習できることが示唆された。
  論文  参考訳（メタデータ） (2023-05-10T18:16:04Z)
• Towards a General Pre-training Framework for Adaptive Learning in MOOCs [37.570119583573955]
  異種学習要素を適切に活用した,データ観測と学習スタイル分析に基づく統合フレームワークを提案する。 授業の構造やテキスト,知識は,学生の非逐次学習行動に本質的に整合性があり,モデリングに有用であることがわかった。
  論文  参考訳（メタデータ） (2022-07-18T13:18:39Z)
• Transfer Learning in Deep Reinforcement Learning: A Survey [64.36174156782333]
  強化学習は、シーケンシャルな意思決定問題を解決するための学習パラダイムである。 近年、ディープニューラルネットワークの急速な発展により、強化学習の顕著な進歩が見られた。 転校学習は 強化学習が直面する様々な課題に 対処するために生まれました
  論文  参考訳（メタデータ） (2020-09-16T18:38:54Z)
• Revisiting Meta-Learning as Supervised Learning [69.2067288158133]
  メタラーニングと従来の教師付き学習の関連性を再考し,強化することで,原則的,統一的なフレームワークの提供を目指す。 タスク固有のデータセットとターゲットモデルを(機能、ラベル)サンプルとして扱うことで、多くのメタ学習アルゴリズムを教師付き学習のインスタンスに還元することができる。 この視点は、メタラーニングを直感的で実践的なフレームワークに統一するだけでなく、教師付き学習から直接洞察を伝達してメタラーニングを改善することができる。
  論文  参考訳（メタデータ） (2020-02-03T06:13:01Z)

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。