論文の概要: TLCD: A Deep Transfer Learning Framework for Cross-Disciplinary Cognitive Diagnosis

• arxiv url: http://arxiv.org/abs/2510.23062v1
• Date: Mon, 27 Oct 2025 06:46:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.480723
• Title: TLCD: A Deep Transfer Learning Framework for Cross-Disciplinary Cognitive Diagnosis
• Title（参考訳）: TLCD: 学際的認知診断のためのディープトランスファー学習フレームワーク
• Authors: Zhifeng Wang, Meixin Su, Yang Yang, Chunyan Zeng, Lizhi Ye,
• Abstract要約: 本稿では,ニューラルネットワーク認知診断と知識関連ニューラルネットワーク認知診断について,詳細な研究を行う。 革新的な学際的認知診断法(TLCD)を提案する。 本手法は,ディープラーニング技術と伝達学習戦略を組み合わせて,対象分野におけるモデルの性能を向上させる。
• 参考スコア（独自算出の注目度）: 6.305515421472813
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driven by the dual principles of smart education and artificial intelligence technology, the online education model has rapidly emerged as an important component of the education industry. Cognitive diagnostic technology can utilize students' learning data and feedback information in educational evaluation to accurately assess their ability level at the knowledge level. However, while massive amounts of information provide abundant data resources, they also bring about complexity in feature extraction and scarcity of disciplinary data. In cross-disciplinary fields, traditional cognitive diagnostic methods still face many challenges. Given the differences in knowledge systems, cognitive structures, and data characteristics between different disciplines, this paper conducts in-depth research on neural network cognitive diagnosis and knowledge association neural network cognitive diagnosis, and proposes an innovative cross-disciplinary cognitive diagnosis method (TLCD). This method combines deep learning techniques and transfer learning strategies to enhance the performance of the model in the target discipline by utilizing the common features of the main discipline. The experimental results show that the cross-disciplinary cognitive diagnosis model based on deep learning performs better than the basic model in cross-disciplinary cognitive diagnosis tasks, and can more accurately evaluate students' learning situation.
• Abstract（参考訳）: スマート教育と人工知能技術の2つの原則により、オンライン教育モデルは、教育産業の重要な構成要素として急速に現れてきた。 認知診断技術は、学生の学習データとフィードバック情報を利用して、知識レベルでの能力レベルを正確に評価することができる。 しかし、大量の情報が豊富なデータ資源を提供する一方で、特徴抽出の複雑さや、学際的なデータの不足をもたらしている。 学際的な分野では、従来の認知診断法は多くの課題に直面している。 本稿では,知識システム,認知構造,データ特性の違いを踏まえ,ニューラルネットワーク認知診断と知識関連認知診断に関する詳細な研究を行い,革新的な学際的認知診断法(TLCD)を提案する。 本手法は、ディープラーニング技術と伝達学習戦略を組み合わせて、主分野の共通特徴を利用して、対象分野におけるモデルの性能を向上させる。 実験の結果, 深層学習に基づく学際的認知診断モデルは, 学際的認知診断タスクの基本モデルよりも優れており, 生徒の学習状況をより正確に評価できることがわかった。

関連論文リスト

• RAD: Towards Trustworthy Retrieval-Augmented Multi-modal Clinical Diagnosis [56.373297358647655]
  Retrieval-Augmented Diagnosis (RAD)は、下流タスクで直接マルチモーダルモデルに外部知識を注入する新しいフレームワークである。 RADは、複数の医療ソースからの疾患中心の知識の検索と改善、ガイドライン強化コントラスト損失トランスフォーマー、デュアルデコーダの3つの主要なメカニズムで機能する。
  論文  参考訳（メタデータ） (2025-09-24T10:36:14Z)
• Generative Cognitive Diagnosis [13.877294923915118]
  本稿では,認知診断を予測モデルから生成モデルへ根本的にシフトさせる新しい生成診断パラダイムを提案する。 生成項目応答理論(G-IRT)と生成的ニューラル認知診断モデル(G-NCDM)という,このパラダイムの単純かつ効果的な2つのインスタンス化を提案する。 我々のフレームワークは、人工知能における認知診断の新たな道を開く。
  論文  参考訳（メタデータ） (2025-07-13T23:55:05Z)
• Concept-Aware Latent and Explicit Knowledge Integration for Enhanced Cognitive Diagnosis [13.781755345440914]
  認知診断のための概念認識型遅延・明示的知識統合モデル(CLEKI-CD)を提案する。 具体的には、学生の熟達度に応じて多次元ベクトルを構築し、複数の視点から各知識概念のエクササイズ困難を解消する。 我々は認知診断層を併用して、潜在的知識と明示的知識を統合し、さらに認知診断性能を向上させる。
  論文  参考訳（メタデータ） (2025-02-04T08:37:16Z)
• A Survey of Models for Cognitive Diagnosis: New Developments and Future Directions [66.40362209055023]
  本研究の目的は,認知診断の現在のモデルについて,機械学習を用いた新たな展開に注目した調査を行うことである。 モデル構造,パラメータ推定アルゴリズム,モデル評価方法,適用例を比較して,認知診断モデルの最近の傾向を概観する。
  論文  参考訳（メタデータ） (2024-07-07T18:02:00Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• Synergistic information supports modality integration and flexible learning in neural networks solving multiple tasks [107.8565143456161]
  本稿では,様々な認知タスクを行う単純な人工ニューラルネットワークが採用する情報処理戦略について検討する。 結果は、ニューラルネットワークが複数の多様なタスクを学習するにつれて、シナジーが増加することを示している。 トレーニング中に無作為にニューロンを停止させると、ネットワークの冗長性が増加し、ロバスト性の増加に対応する。
  論文  参考訳（メタデータ） (2022-10-06T15:36:27Z)
• UIILD: A Unified Interpretable Intelligent Learning Diagnosis Framework for Intelligent Tutoring Systems [8.354034992258482]
  深層学習の強力な表現学習能力と心理メトリクスの解釈可能性から,統合的解釈可能な知的学習診断(UIILD)フレームワークが有用である。 本稿では,2チャンネル学習診断機構 LDM-ID と3チャンネル学習診断機構 LDM-HMI を提案する。
  論文  参考訳（メタデータ） (2022-07-07T07:04:22Z)
• Neuro-Symbolic Learning of Answer Set Programs from Raw Data [54.56905063752427]
  Neuro-Symbolic AIは、シンボリックテクニックの解釈可能性と、生データから学ぶ深層学習の能力を組み合わせることを目的としている。 本稿では,ニューラルネットワークを用いて生データから潜在概念を抽出するNSIL(Neuro-Symbolic Inductive Learner)を提案する。 NSILは表現力のある知識を学習し、計算的に複雑な問題を解き、精度とデータ効率の観点から最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-25T12:41:59Z)
• Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
  バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。 効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
  論文  参考訳（メタデータ） (2020-10-07T08:36:44Z)

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。