論文の概要: Accurate Predictions in Education with Discrete Variational Inference

• arxiv url: http://arxiv.org/abs/2509.23484v2
• Date: Tue, 30 Sep 2025 09:43:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:44:59.864154
• Title: Accurate Predictions in Education with Discrete Variational Inference
• Title（参考訳）: 離散的変分推論を用いた教育における正確な予測
• Authors: Tom Quilter, Anastasia Ilick, Karen Poon, Richard Turner,
• Abstract要約: 有能で効果的なAI家庭教師は、スケーラブルなソリューションを提供する。 適応学習に焦点をあて、学生が正しい質問に答えるかどうかを予測する。 プロフェッショナルにマークされた形式的数学試験応答の最大オープンデータセットをリリースする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One of the largest drivers of social inequality is unequal access to personal tutoring, with wealthier individuals able to afford it, while the majority cannot. Affordable, effective AI tutors offer a scalable solution. We focus on adaptive learning, predicting whether a student will answer a question correctly, a key component of any effective tutoring system. Yet many platforms struggle to achieve high prediction accuracy, especially in data-sparse settings. To address this, we release the largest open dataset of professionally marked formal mathematics exam responses to date. We introduce a probabilistic modelling framework rooted in Item Response Theory (IRT) that achieves over 80 percent accuracy, setting a new benchmark for mathematics prediction accuracy of formal exam papers. Extending this, our collaborative filtering models incorporate topic-level skill profiles, but reveal a surprising and educationally significant finding, a single latent ability parameter alone is needed to achieve the maximum predictive accuracy. Our main contribution though is deriving and implementing a novel discrete variational inference framework, achieving our highest prediction accuracy in low-data settings and outperforming all classical IRT and matrix factorisation baselines.
• Abstract（参考訳）: 社会的不平等の最大の要因の1つは、個人家庭教師への不平等なアクセスであり、富裕層はそれを買うことができるが、大多数はできない。 有能で効果的なAI家庭教師は、スケーラブルなソリューションを提供する。 適応学習に焦点をあて,学生が質問に正しく答えられるかどうかを予測する。 しかし、多くのプラットフォームは、特にデータスパース設定において、高い予測精度を達成するのに苦労している。 この問題に対処するため,プロフェッショナルにマークされた公式な数学試験結果の公開データセットを,これまでで最大規模でリリースした。 項目応答理論(IRT)に根ざした確率論的モデリングフレームワークを導入し,80%以上の精度を達成し,形式的試験論文の算数予測精度の新たなベンチマークを設定した。 これを拡張するために、我々の協調フィルタリングモデルにはトピックレベルのスキルプロファイルが組み込まれていますが、驚くべき、教育的に重要な発見があることがわかりました。 しかし、我々の主な貢献は、新しい離散的な変分推論フレームワークを導出し、実装することであり、低データ設定で最高の予測精度を達成し、古典的なIRTと行列分解のベースラインを上回ります。

関連論文リスト

• Adaptive Sentencing Prediction with Guaranteed Accuracy and Legal Interpretability [7.737114256060652]
  本稿では, 固有な法的解釈性を提供する, 飽和メカニスティック・センテンシング(SMS)モデルを提案する。 また,このモデルに対応する最小モメンタム平均平方(MLMS)適応アルゴリズムについても紹介する。 我々は、既知のパラメータのケースで設計した最良の予測器による予測精度の最良の上限を提供する。
  論文  参考訳（メタデータ） (2025-05-20T07:06:00Z)
• Identifying and Mitigating Social Bias Knowledge in Language Models [52.52955281662332]
  個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。 これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-07T17:14:58Z)
• A comparative study of conformal prediction methods for valid uncertainty quantification in machine learning [0.0]
  論文は、誰もが不確実性に気付いていて、それがどれほど重要か、そしてそれを恐れずにそれをどのように受け入れるか、という世界を探求しようとします。 しかし、正確な不確実性推定を誰でも得るための特定のフレームワークが選別され、分析される。
  論文  参考訳（メタデータ） (2024-05-03T13:19:33Z)
• Fair Multivariate Adaptive Regression Splines for Ensuring Equity and Transparency [1.124958340749622]
  学習過程に公平度を組み込んだMARSに基づく公正度予測モデルを提案する。 MARSは、特徴選択を行い、非線形関係を扱い、解釈可能な決定ルールを生成し、変数の最適分割基準を導出する非パラメトリック回帰モデルである。 実世界のデータにfairMARSモデルを適用し、精度とエクイティの観点からその有効性を実証する。
  論文  参考訳（メタデータ） (2024-02-23T19:02:24Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• Few-shot Conformal Prediction with Auxiliary Tasks [29.034390810078172]
  対象タスクがトレーニングに利用可能なデータに制限がある場合に,コンフォメーション予測を行うための新しい手法を開発した。 共形予測をメタラーニングパラダイムとしてキャスティングすることで、望ましい限界保証を維持しつつ、より厳密な予測セットを得る。 本手法は,自然言語処理,コンピュータビジョン,薬物発見のための計算化学において,数発の分類と回帰タスクにまたがる効果を示す。
  論文  参考訳（メタデータ） (2021-02-17T17:46:57Z)
• All of the Fairness for Edge Prediction with Optimal Transport [11.51786288978429]
  グラフにおけるエッジ予測の課題に対する公平性の問題について検討する。 本稿では,任意のグラフの隣接行列に対して,グループと個々の公正性のトレードオフを伴う埋め込み非依存の補修手順を提案する。
  論文  参考訳（メタデータ） (2020-10-30T15:33:13Z)

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。