論文の概要: Extracting Causal Relations in Deep Knowledge Tracing

• arxiv url: http://arxiv.org/abs/2511.03948v1
• Date: Thu, 06 Nov 2025 00:52:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.255601
• Title: Extracting Causal Relations in Deep Knowledge Tracing
• Title（参考訳）: 深い知識の追跡における因果関係の抽出
• Authors: Kevin Hong, Kia Karbasi, Gregory Pottie,
• Abstract要約: DKTの強みは、前提条件関係を因果構造としてモデル化する暗黙の能力にあることを示す。 運動関係グラフをDAG(Directed Acyclic Graphs)にプルーニングし、Assistmentsデータセットの因果部分集合に基づいてDKTを訓練することにより、DKTの予測能力がこれらの因果構造と強く一致することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A longstanding goal in computational educational research is to develop explainable knowledge tracing (KT) models. Deep Knowledge Tracing (DKT), which leverages a Recurrent Neural Network (RNN) to predict student knowledge and performance on exercises, has been proposed as a major advancement over traditional KT methods. Several studies suggest that its performance gains stem from its ability to model bidirectional relationships between different knowledge components (KCs) within a course, enabling the inference of a student's understanding of one KC from their performance on others. In this paper, we challenge this prevailing explanation and demonstrate that DKT's strength lies in its implicit ability to model prerequisite relationships as a causal structure, rather than bidirectional relationships. By pruning exercise relation graphs into Directed Acyclic Graphs (DAGs) and training DKT on causal subsets of the Assistments dataset, we show that DKT's predictive capabilities align strongly with these causal structures. Furthermore, we propose an alternative method for extracting exercise relation DAGs using DKT's learned representations and provide empirical evidence supporting our claim. Our findings suggest that DKT's effectiveness is largely driven by its capacity to approximate causal dependencies between KCs rather than simple relational mappings.
• Abstract（参考訳）: コンピュータ教育研究における長年の目標は、説明可能な知識追跡(KT)モデルを開発することである。 リカレントニューラルネットワーク(RNN)を利用して演習における学生の知識とパフォーマンスを予測するDeep Knowledge Tracing(DKT)が、従来のKT手法に対する大きな進歩として提案されている。 いくつかの研究は、コース内の異なる知識コンポーネント(KC)間の双方向関係をモデル化できることから、その性能向上が示唆されている。 本稿では、この一般的な説明に挑戦し、DKTの強みは、双方向関係ではなく、前提条件関係を因果構造としてモデル化する暗黙の能力にあることを示す。 運動関係グラフをDAG(Directed Acyclic Graphs)にプルーニングし、Assistmentsデータセットの因果部分集合に基づいてDKTを訓練することにより、DKTの予測能力がこれらの因果構造と強く一致することを示す。 さらに,DKTの学習表現を用いた運動関係DAGの抽出方法を提案し,本主張を裏付ける実証的証拠を提供する。 以上の結果から,DKTの有効性は,単純な関係写像ではなく,KC間の因果依存性を近似する能力に大きく左右されることが示唆された。

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)
• Sparse Binary Representation Learning for Knowledge Tracing [0.0]
  知識追跡モデル(KT)は、学生の過去の相互作用に基づいて将来のパフォーマンスを予測することを目的としている。 既存のKTモデルは、エクササイズに関連する人間定義の知識概念にのみ依存している。 KT モデル SBRKT (Sparse Binary Representation KT) を提案する。
  論文  参考訳（メタデータ） (2025-01-17T00:45:10Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• SAIS: Supervising and Augmenting Intermediate Steps for Document-Level Relation Extraction [51.27558374091491]
  本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。 そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
  論文  参考訳（メタデータ） (2021-09-24T17:37:35Z)
• Enhancing Knowledge Tracing via Adversarial Training [5.461665809706664]
  本研究では,学生の知識習得を時間とともに追跡することを目的とした知識追跡問題(KT)について検討する。 KTの最近の進歩は、KTの性能を改善するためにディープニューラルネットワーク(DNN)の探索に集中している。 我々は,効率的なATベースKT法(ATKT)を提案し,KTモデルの一般化を強化し,KTの限界を推し進める。
  論文  参考訳（メタデータ） (2021-08-10T03:35:13Z)
• RelWalk A Latent Variable Model Approach to Knowledge Graph Embedding [50.010601631982425]
  本稿では,単語埋め込みのランダムウォークモデル(Arora et al., 2016a)を知識グラフ埋め込み(KGE)に拡張する。 二つの実体 h (head) と t (tail) の間の関係 R の強さを評価するスコア関数を導出する。 理論的解析によって動機付けられた学習目標を提案し,知識グラフからKGEを学習する。
  論文  参考訳（メタデータ） (2021-01-25T13:31:29Z)
• 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。