論文の概要: Investigating the Robustness of Knowledge Tracing Models in the Presence of Student Concept Drift

• arxiv url: http://arxiv.org/abs/2511.00704v2
• Date: Tue, 04 Nov 2025 09:15:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.903018
• Title: Investigating the Robustness of Knowledge Tracing Models in the Presence of Student Concept Drift
• Title（参考訳）: 学生コンセプトドリフトにおける知識追跡モデルのロバスト性の検討
• Authors: Morgan Lee, Artem Frenk, Eamon Worden, Karish Gupta, Thinh Pham, Ethan Croteau, Neil Heffernan,
• Abstract要約: オンライン学習プラットフォームにおいて,概念の漂流と変化が生徒の行動に与える影響について検討する。 4つのよく研究されたKTモデルを5年間の学術データに適用し、KTモデルがコンセプトドリフトにどのように影響するかを評価する。
• 参考スコア（独自算出の注目度）: 1.8818594770562722
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge Tracing (KT) has been an established problem in the educational data mining field for decades, and it is commonly assumed that the underlying learning process being modeled remains static. Given the ever-changing landscape of online learning platforms (OLPs), we investigate how concept drift and changing student populations can impact student behavior within an OLP through testing model performance both within a single academic year and across multiple academic years. Four well-studied KT models were applied to five academic years of data to assess how susceptible KT models are to concept drift. Through our analysis, we find that all four families of KT models can exhibit degraded performance, Bayesian Knowledge Tracing (BKT) remains the most stable KT model when applied to newer data, while more complex, attention based models lose predictive power significantly faster.
• Abstract（参考訳）: 知識追跡(KT)は、何十年にもわたって教育データマイニングの分野で確立されてきた問題であり、基礎となる学習プロセスが静的であると考えられている。 オンライン学習プラットフォーム (OLP) の状況が変わらず変化する中, 学生集団の移動と変化が, 1学年と複数学年でモデル性能をテストすることによって, OLP内の生徒の行動にどのように影響するかを検討する。 4つのよく研究されたKTモデルを5年間の学術データに適用し、KTモデルがコンセプトドリフトにどのように影響するかを評価する。 ベイジアン・ナレッジ・トラクション(BKT)は、新しいデータに適用した場合、最も安定したKTモデルでありながら、より複雑で注意に基づくモデルは予測力を著しく低下させる。

関連論文リスト

• Cuff-KT: Tackling Learners' Real-time Learning Pattern Adjustment via Tuning-Free Knowledge State Guided Model Updating [7.145106976584109]
  KT(Knowledge Tracing)は、Intelligent Tutoring Systemsのコアコンポーネントである。 Cuff-KTは微調整なしで高速かつ柔軟にデータ変更に適応する。
  論文  参考訳（メタデータ） (2025-05-26T06:04:11Z)
• Cold Start Problem: An Experimental Study of Knowledge Tracing Models with New Students [4.7750095113157744]
  KnowledgeTracing(KT)は、知的学習システム(ITS)とのインタラクションに基づいて、学生の知識状態を予測する。 主要な課題はコールドスタートの問題であり、最小のインタラクションデータを持つ新入生の知識を正確に予測する。 深部知識追跡(DKT)、動的キー値記憶ネットワーク(DKVMN)、自己認識的知識追跡(SAKT)の3モデルにわたるコールドスタート効果について検討する。 結果は、全てのモデルが最初はコールドスタート条件下で苦戦するが、より多くの相互作用によって徐々に改善していることを示している。
  論文  参考訳（メタデータ） (2025-05-22T04:09:07Z)
• AdvKT: An Adversarial Multi-Step Training Framework for Knowledge Tracing [64.79967583649407]
  知識追跡(KT)は、学生の知識状態を監視し、質問シーケンスに対する反応をシミュレートする。 既存のKTモデルは通常、単一ステップのトレーニングパラダイムに従っており、大きなエラーの蓄積につながる。 本稿では,多段階KTタスクに着目した新しい知識追跡のための多段階学習フレームワーク(AdvKT)を提案する。
  論文  参考訳（メタデータ） (2025-04-07T03:31:57Z)
• 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)
• Personalized Knowledge Tracing through Student Representation Reconstruction and Class Imbalance Mitigation [32.52262417461651]
  知識追跡とは、学習過程を分析することによって、学生の将来のパフォーマンスを予測する手法である。 近年の研究は、強力なディープニューラルネットワークを活用することで大きな進歩を遂げている。 パーソナライズされた知識追跡のための新しいアプローチであるPKTを提案する。
  論文  参考訳（メタデータ） (2024-09-10T07:02:46Z)
• Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
  継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。 本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2024-01-29T18:27:52Z)
• Deep Learning Models for Knowledge Tracing: Review and Empirical Evaluation [2.423547527175807]
  我々は,オープンで広く利用されているデータセットを用いた深層学習知識追跡(DLKT)モデルをレビューし,評価する。 評価されたDLKTモデルは、以前報告した結果の再現性と評価のために再実装されている。
  論文  参考訳（メタデータ） (2021-12-30T14:19:27Z)
• A Survey of Knowledge Tracing: Models, Variants, and Applications [70.69281873057619]
  知識追跡は、学生の行動データ分析の基本的なタスクの1つである。 我々は、異なる技術経路を持つ3種類の基本KTモデルを示す。 この急速に成長する分野における今後の研究の方向性について論じる。
  論文  参考訳（メタデータ） (2021-05-06T13:05:55Z)
• Towards Interpretable Deep Learning Models for Knowledge Tracing [62.75876617721375]
  本稿では,深層学習に基づく知識追跡(DLKT)モデルの解釈可能性問題に対処するポストホック手法を提案する。 具体的には、RNNに基づくDLKTモデルを解釈するために、レイヤワイズ関連伝搬法(LRP)を適用することに焦点をあてる。 実験結果から,DLKTモデルの予測をLRP法で解釈できることを示す。
  論文  参考訳（メタデータ） (2020-05-13T04:03:21Z)

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。