論文の概要: Enhancing Learning Path Recommendation via Multi-task Learning

• arxiv url: http://arxiv.org/abs/2507.05295v1
• Date: Sat, 05 Jul 2025 21:16:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:37.24122
• Title: Enhancing Learning Path Recommendation via Multi-task Learning
• Title（参考訳）: マルチタスク学習による学習経路勧告の強化
• Authors: Afsana Nasrin, Lijun Qian, Pamela Obiomon, Xishuang Dong,
• Abstract要約: 本稿では,タスク間の共有情報を活用することで,学習経路のレコメンデーションを向上させるマルチタスクLSTMモデルを提案する。 ASSIST09データセットの実験により、提案モデルは学習経路推薦のためのベースライン手法を大幅に上回っていることが示された。
• 参考スコア（独自算出の注目度）: 1.392448435105643
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized learning is a student-centered educational approach that adapts content, pace, and assessment to meet each learner's unique needs. As the key technique to implement the personalized learning, learning path recommendation sequentially recommends personalized learning items such as lectures and exercises. Advances in deep learning, particularly deep reinforcement learning, have made modeling such recommendations more practical and effective. This paper proposes a multi-task LSTM model that enhances learning path recommendation by leveraging shared information across tasks. The approach reframes learning path recommendation as a sequence-to-sequence (Seq2Seq) prediction problem, generating personalized learning paths from a learner's historical interactions. The model uses a shared LSTM layer to capture common features for both learning path recommendation and deep knowledge tracing, along with task-specific LSTM layers for each objective. To avoid redundant recommendations, a non-repeat loss penalizes repeated items within the recommended learning path. Experiments on the ASSIST09 dataset show that the proposed model significantly outperforms baseline methods for the learning path recommendation.
• Abstract（参考訳）: パーソナライズド・ラーニング(パーソナライズド・ラーニング、Personalized Learning)は、各学習者の固有のニーズを満たすために、内容、ペース、評価を適応させる学生中心の教育手法である。 パーソナライズされた学習を実装するための重要なテクニックとして、学習パスレコメンデーションは、講義や演習などのパーソナライズされた学習項目を順次推奨する。 深層学習の進歩、特に深層強化学習は、そのようなレコメンデーションをより実用的で効果的にモデリングした。 本稿では,タスク間の共有情報を活用することで,学習経路のレコメンデーションを向上させるマルチタスクLSTMモデルを提案する。 このアプローチは、学習経路推薦をシーケンス・ツー・シーケンス(Seq2Seq)予測問題として再設定し、学習者の歴史的相互作用からパーソナライズされた学習経路を生成する。 このモデルは、共有LSTMレイヤを使用して、学習パスレコメンデーションとディープラーニングトレースの両方の共通機能と、各目的のためのタスク固有のLSTMレイヤをキャプチャする。 冗長なレコメンデーションを避けるため、非繰り返し損失は推奨学習経路内の繰り返し項目をペナルティ化する。 ASSIST09データセットの実験により、提案モデルは学習経路推薦のためのベースライン手法を大幅に上回っていることが示された。

関連論文リスト

• Education-Oriented Graph Retrieval-Augmented Generation for Learning Path Recommendation [56.37740554448673]
  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。
  論文  参考訳（メタデータ） (2025-06-27T15:15:42Z)
• Real-Time Personalization for LLM-based Recommendation with Customized In-Context Learning [57.28766250993726]
  この研究は、モデル更新なしに動的なユーザ関心に適応することを検討する。 既存のLarge Language Model (LLM)ベースのレコメンダは、レコメンデーションチューニング中にコンテキスト内学習能力を失うことが多い。 本稿では,レコメンデーション固有のインコンテキスト学習をリアルタイムレコメンデーションにカスタマイズするRecICLを提案する。
  論文  参考訳（メタデータ） (2024-10-30T15:48:36Z)
• Personalized Multi-task Training for Recommender System [80.23030752707916]
  PMTRecは、様々な情報ソースから包括的ユーザ/イテム埋め込みを得るための、最初のパーソナライズされたマルチタスク学習アルゴリズムである。 我々の貢献は、レコメンデーションシステムにおけるパーソナライズされたマルチタスクトレーニングを促進するための新しい道を開く。
  論文  参考訳（メタデータ） (2024-07-31T06:27:06Z)
• 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 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)
• S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
  本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。 そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。 6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-18T11:44:10Z)
• Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
  逐次リコメンデーションタスクのための自己指導型強化学習を提案する。 提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。 このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T11:18:57Z)

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。