論文の概要: Enhanced Interpretable Knowledge Tracing for Students Performance Prediction with Human understandable Feature Space

• arxiv url: http://arxiv.org/abs/2509.18231v1
• Date: Mon, 22 Sep 2025 13:47:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.504733
• Title: Enhanced Interpretable Knowledge Tracing for Students Performance Prediction with Human understandable Feature Space
• Title（参考訳）: 人間の理解可能な特徴空間を用いた学生のパフォーマンス予測のための解釈可能な知識追跡の強化
• Authors: Sein Minn, Roger Nkambou,
• Abstract要約: 知識追跡(KT)は、学生の熟練度を評価し、将来のパフォーマンスを予測する上で中心的な役割を果たす。 我々の貢献は、予測力と解釈可能性のバランスを保ち、適応学習システムの有用性を推し進めることである。
• 参考スコア（独自算出の注目度）: 2.053999499982333
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge Tracing (KT) plays a central role in assessing students skill mastery and predicting their future performance. While deep learning based KT models achieve superior predictive accuracy compared to traditional methods, their complexity and opacity hinder their ability to provide psychologically meaningful explanations. This disconnect between model parameters and cognitive theory poses challenges for understanding and enhancing the learning process, limiting their trustworthiness in educational applications. To address these challenges, we enhance interpretable KT models by exploring human-understandable features derived from students interaction data. By incorporating additional features, particularly those reflecting students learning abilities, our enhanced approach improves predictive accuracy while maintaining alignment with cognitive theory. Our contributions aim to balance predictive power with interpretability, advancing the utility of adaptive learning systems.
• Abstract（参考訳）: 知識追跡(KT)は、学生の熟練度を評価し、将来のパフォーマンスを予測する上で中心的な役割を果たす。 ディープラーニングに基づくKTモデルは従来の手法に比べて予測精度が優れているが、その複雑さと不透明さは心理的に意味のある説明を提供する能力を妨げている。 このモデルパラメータと認知理論の切り離しは、学習プロセスの理解と強化に挑戦し、教育応用における信頼性を制限している。 これらの課題に対処するために、学生のインタラクションデータから導かれる人間の理解可能な特徴を探索することにより、解釈可能なKTモデルを強化する。 新たな特徴,特に生徒の学習能力の反映を取り入れることで,認知理論との整合性を維持しつつ予測精度を向上させる。 我々の貢献は、予測力と解釈可能性のバランスを保ち、適応学習システムの有用性を推し進めることである。

関連論文リスト

• When Models Know More Than They Can Explain: Quantifying Knowledge Transfer in Human-AI Collaboration [79.69935257008467]
  我々は,人間とAIの知識伝達能力に関する概念的かつ実験的フレームワークである知識統合と伝達評価(KITE)を紹介する。 最初の大規模人間実験(N=118)を行い,その測定を行った。 2段階のセットアップでは、まずAIを使って問題解決戦略を思いつき、その後独立してソリューションを実装し、モデル説明が人間の理解に与える影響を分離します。
  論文  参考訳（メタデータ） (2025-06-05T20:48:16Z)
• Dynamic Programming Techniques for Enhancing Cognitive Representation in Knowledge Tracing [125.75923987618977]
  認知表現動的プログラミングに基づく知識追跡(CRDP-KT)モデルを提案する。 質問の難易度とそれらの間の性能間隔に基づいて認知表現を最適化する動的プログラミングアルゴリズムである。 これは、その後のモデルトレーニングのためにより正確で体系的な入力機能を提供し、それによって認知状態のシミュレーションにおける歪みを最小限にする。
  論文  参考訳（メタデータ） (2025-06-03T14:44:48Z)
• Improving Question Embeddings with Cognitive Representation Optimization for Knowledge Tracing [77.14348157016518]
  KTモデリングの研究は、既存の未更新の学生の相互作用の記録に基づいて、将来の学生のパフォーマンスを予測することに焦点を当てている。 動的プログラミングアルゴリズムを用いて認知表現の構造を最適化する知識追跡型認知表現最適化(CRO-KT)モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-05T09:32:03Z)
• 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)
• Mimicking Human Intuition: Cognitive Belief-Driven Reinforcement Learning [0.0]
  認知的信念駆動型強化学習(CBD-RL)に着想を得た革新的枠組みを提案する。 CBD-RLは、従来の試行錯誤学習をより構造化され、ガイド付き学習パラダイムに変換し、人間の推論プロセスをシミュレートする。 本フレームワークの具体的実装であるCBDQ,CBDPPO,CBDSACは,離散的かつ連続的な動作空間において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-02T16:50:29Z)
• Predictive, scalable and interpretable knowledge tracing on structured domains [6.860460230412773]
  PSI-KTは、個人の認知特性と知識の前提構造の両方が学習力学にどのように影響するかを明確にモデル化する階層的生成手法である。 PSI-KTは、学習者や歴史の学習者であっても、実世界の効率的なパーソナライズの必要性を目標にしている。
  論文  参考訳（メタデータ） (2024-03-19T22:19:29Z)
• A Novel Neural-symbolic System under Statistical Relational Learning [47.30190559449236]
  NSF-SRLと呼ばれる統計的関係学習に基づくニューラルシンボリック・フレームワークを提案する。 シンボリック推論の結果は、深層学習モデルによる予測の洗練と修正に利用され、深層学習モデルはシンボリック推論プロセスの効率を高める。 我々は、このアプローチがニューラルシンボリックシステムの新しい標準となり、汎用人工知能の分野における将来の研究を促進すると信じている。
  論文  参考訳（メタデータ） (2023-09-16T09:15:37Z)
• 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)

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。