論文の概要: AlignKT: Explicitly Modeling Knowledge State for Knowledge Tracing with Ideal State Alignment

• arxiv url: http://arxiv.org/abs/2509.11135v1
• Date: Sun, 14 Sep 2025 07:06:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.9381
• Title: AlignKT: Explicitly Modeling Knowledge State for Knowledge Tracing with Ideal State Alignment
• Title（参考訳）: AlignKT: 理想的状態アライメントによる知識追跡のための知識状態の明示的モデリング
• Authors: Jing Xiao, Chang You, Zhiyu Chen,
• Abstract要約: 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として機能する。 本稿では,aAlign-to-backendアーキテクチャを用いて,安定した知識状態を明示的にモデル化するAlignKTを提案する。 実世界の3つのデータセットにおいて、7つのKTベースラインよりも優れたパフォーマンスを示す。
• 参考スコア（独自算出の注目度）: 12.655539234534572
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Tracing (KT) serves as a fundamental component of Intelligent Tutoring Systems (ITS), enabling these systems to monitor and understand learners' progress by modeling their knowledge state. However, many existing KT models primarily focus on fitting the sequences of learners' interactions, and often overlook the knowledge state itself. This limitation leads to reduced interpretability and insufficient instructional support from the ITS. To address this challenge, we propose AlignKT, which employs a frontend-to-backend architecture to explicitly model a stable knowledge state. In this approach, the preliminary knowledge state is aligned with an additional criterion. Specifically, we define an ideal knowledge state based on pedagogical theories as the alignment criterion, providing a foundation for interpretability. We utilize five encoders to implement this set-up, and incorporate a contrastive learning module to enhance the robustness of the alignment process. Through extensive experiments, AlignKT demonstrates superior performance, outperforming seven KT baselines on three real-world datasets. It achieves state-of-the-art results on two of these datasets and exhibits competitive performance on the third. The code of this work is available at https://github.com/SCNU203/AlignKT.
• Abstract（参考訳）: 知識追跡(KT)は知能学習システム(ITS)の基本的な構成要素であり、知識状態のモデリングによって学習者の進捗を監視・理解することを可能にする。 しかし、既存のKTモデルの多くは、主に学習者の相互作用のシーケンスに適合することに焦点を当てており、しばしば知識状態自体を見落としている。 この制限により、インタプリタビリティが低下し、ITSからの教育支援が不十分になった。 この課題に対処するために、我々は、フロントエンドからバックエンドのアーキテクチャを用いて、安定した知識状態を明確にモデル化するAlignKTを提案する。 このアプローチでは、予備知識状態は追加の基準に一致している。 具体的には、教育理論に基づく理想的な知識状態をアライメント基準として定義し、解釈可能性の基礎を提供する。 このセットアップの実装には5つのエンコーダを使用し、アライメントプロセスの堅牢性を高めるためにコントラスト学習モジュールを組み込んだ。 広範な実験を通じて、AlignKTは優れたパフォーマンスを示し、3つの実世界のデータセットで7つのKTベースラインを上回っている。 これら2つのデータセットの最先端の結果を達成し、第3のデータセットで競合パフォーマンスを示す。 この作業のコードはhttps://github.com/SCNU203/AlignKT.comで公開されている。

関連論文リスト

• DKT2: 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 注意的知識追跡(AKT)のような最近のDLKTモデルは、これらの利点を犠牲にして予測性能を優先していることが多い。 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。
  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)
• Leveraging Pedagogical Theories to Understand Student Learning Process with Graph-based Reasonable Knowledge Tracing [11.082908318943248]
  本稿では,これらの問題に対処するためのグラフベースの合理的知識追跡手法GRKTを紹介する。 本稿では,知識検索,記憶強化,知識学習・鍛造の3段階モデリングプロセスを提案する。
  論文  参考訳（メタデータ） (2024-06-07T10:14:30Z)
• Recognizing Unseen Objects via Multimodal Intensive Knowledge Graph Propagation [68.13453771001522]
  画像の領域と対応するセマンティック埋め込みとをマッチングする多モード集中型ZSLフレームワークを提案する。 我々は、大規模な実世界のデータに基づいて、広範囲な実験を行い、そのモデルを評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:07:48Z)
• Attentive Q-Matrix Learning for Knowledge Tracing [4.863310073296471]
  エンド・ツー・エンド・エンド・スタイルのモデルとして,Q-matrix-based Attentive Knowledge Tracing (QAKT)を提案する。 QAKTは、問題を階層的にモデル化し、生徒のシーケンスに基づいてq行列を効率的に学習することができる。 さらなる実験の結果、QAKTによって学習されたq行列は、人間の専門家によってラベル付けされたものよりも非常にモデルに依存し、情報に十分であることが示唆された。
  論文  参考訳（メタデータ） (2023-04-06T12:31:34Z)

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。