論文の概要: HISE-KT: Synergizing Heterogeneous Information Networks and LLMs for Explainable Knowledge Tracing with Meta-Path Optimization

• arxiv url: http://arxiv.org/abs/2511.15191v1
• Date: Wed, 19 Nov 2025 07:24:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.680275
• Title: HISE-KT: Synergizing Heterogeneous Information Networks and LLMs for Explainable Knowledge Tracing with Meta-Path Optimization
• Title（参考訳）: HISE-KT:メタパス最適化による説明可能な知識追跡のための異種情報ネットワークとLLMの相乗化
• Authors: Zhiyi Duan, Zixing Shi, Hongyu Yuan, Qi Wang,
• Abstract要約: 知識追跡は、学生の進化する知識状態を掘り下げ、将来の質問応答性能を予測することを目的としている。 異種情報ネットワーク(HIN)に基づく既存手法では,手動によるメタパスの選択やランダムな選択によるノイズの導入が困難である。 我々は,HINをLLMとシームレスに統合する,革新的なフレームワークHIN-LLM Synergistic Enhanced Knowledge Tracing (HISE-KT)を提案する。
• 参考スコア（独自算出の注目度）: 4.7820785031117845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Tracing (KT) aims to mine students' evolving knowledge states and predict their future question-answering performance. Existing methods based on heterogeneous information networks (HINs) are prone to introducing noises due to manual or random selection of meta-paths and lack necessary quality assessment of meta-path instances. Conversely, recent large language models (LLMs)-based methods ignore the rich information across students, and both paradigms struggle to deliver consistently accurate and evidence-based explanations. To address these issues, we propose an innovative framework, HIN-LLM Synergistic Enhanced Knowledge Tracing (HISE-KT), which seamlessly integrates HINs with LLMs. HISE-KT first builds a multi-relationship HIN containing diverse node types to capture the structural relations through multiple meta-paths. The LLM is then employed to intelligently score and filter meta-path instances and retain high-quality paths, pioneering automated meta-path quality assessment. Inspired by educational psychology principles, a similar student retrieval mechanism based on meta-paths is designed to provide a more valuable context for prediction. Finally, HISE-KT uses a structured prompt to integrate the target student's history with the retrieved similar trajectories, enabling the LLM to generate not only accurate predictions but also evidence-backed, explainable analysis reports. Experiments on four public datasets show that HISE-KT outperforms existing KT baselines in both prediction performance and interpretability.
• Abstract（参考訳）: 知識追跡(KT)は、学生の進化する知識状態を抽出し、将来の質問応答性能を予測することを目的としている。 異種情報ネットワーク(HIN)に基づく既存手法では,手動によるメタパスの選択やランダムな選択によるノイズの導入が難しく,メタパスインスタンスの品質評価が不十分である。 逆に、最近の大規模言語モデル(LLM)に基づく手法は、学生間の豊富な情報を無視し、両方のパラダイムは一貫して正確で証拠に基づく説明を提供するのに苦労している。 これらの課題に対処するため,HINとLLMをシームレスに統合するHIN-LLM Synergistic Enhanced Knowledge Tracing (HISE-KT)を提案する。 HISE-KTはまず、多様なノードタイプを含むマルチリレーショナルHINを構築し、複数のメタパスを通して構造関係をキャプチャする。 LLMはその後、メタパスインスタンスをインテリジェントにスコアし、フィルタし、高品質なパスを保持し、自動メタパス品質評価の先駆者となる。 教育心理学の原則に触発されて、メタパスに基づく類似の学生検索機構は、予測のためのより価値のあるコンテキストを提供するように設計されている。 最後に、HISE-KTは、構造化されたプロンプトを使用して、対象の学生の履歴を検索した類似した軌道と統合し、LCMが正確な予測だけでなく、エビデンスに支えられた説明可能な分析レポートを生成することを可能にする。 4つの公開データセットの実験では、HISE-KTは予測性能と解釈可能性の両方で既存のKTベースラインを上回っている。

関連論文リスト

• Language Bottleneck Models: A Framework for Interpretable Knowledge Tracing and Beyond [55.984684518346924]
  我々は、知識追跡を逆問題として再考する: 過去の回答を説明できる最小限の自然言語要約を学習し、将来の回答を予測できる。 我々のLanguage Bottleneck Model(LBM)は、解釈可能な知識要約を書くエンコーダLLMと、その要約テキストのみを使用して生徒の反応を再構成し予測しなければならないフリーズデコーダLLMで構成されている。 合成算術ベンチマークと大規模Eediデータセットの実験により、LBMは最先端のKT法と直接LLM法の精度に匹敵する一方で、受講者軌道のオーダーを少なくすることを示した。
  論文  参考訳（メタデータ） (2025-06-20T13:21:14Z)
• Uncovering Bias Paths with LLM-guided Causal Discovery: An Active Learning and Dynamic Scoring Approach [1.5498930424110338]
  大規模言語モデル(LLM)は、統計的因果発見(CD)アプローチを有望に補完する。 機械学習における公平性を保証するには、センシティブな属性が結果に因果的にどのように影響するかを理解する必要がある。 本稿では,BFS(Broadth-first Search)戦略を拡張し,アクティブラーニングと動的スコアリングを併用したCD用LLMベースのハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-13T21:04:03Z)
• SCAN: Structured Capability Assessment and Navigation for LLMs [54.54085382131134]
  textbfSCAN (Structured Capability Assessment and Navigation) は、大規模言語モデルの詳細な特徴付けを可能にする実用的なフレームワークである。 SCANには4つの重要なコンポーネントが含まれている。 TaxBuilder – クエリから機能表示タグを抽出して階層的な分類構造を構築する。 RealMixは、各機能タグに対する十分な評価データを保証するクエリ合成とフィルタリングのメカニズムである。 PC$2$ベースのLCM-as-a-Judge法は従来のLCM-as-a-Judge法と比較して大幅に精度が向上する
  論文  参考訳（メタデータ） (2025-05-10T16:52:40Z)
• Meta-Semantics Augmented Few-Shot Relational Learning [8.997817761465866]
  知識グラフ上のリレーショナル学習(KGs)は,少数のトレーニング例で関係性に関する推論を行うことを目的としている。 本稿では,メタセマンティックスとリレーショナル情報とをシームレスに統合する新しいメタ学習フレームワークPromptMetaを提案する。
  論文  参考訳（メタデータ） (2025-05-08T22:59:42Z)
• Proficient Graph Neural Network Design by Accumulating Knowledge on Large Language Models [20.31388126105889]
  DesiGNNは知識中心のフレームワークで、過去のモデル設計の経験を構造化されたきめ細かな知識に変換する。 目に見えないグラフ理解と既知の効果的なアーキテクチャパターンの固いメタ知識を構築することで、DesiGNNは、目に見えないデータセットに対するトップ5.77%の初期モデル提案を数秒で提供できる。
  論文  参考訳（メタデータ） (2024-08-13T08:22:01Z)
• SINKT: A Structure-Aware Inductive Knowledge Tracing Model with Large Language Model [64.92472567841105]
  知識追跡(KT)は、学生が次の質問に正しく答えるかどうかを判断することを目的としている。 大規模言語モデルを用いた構造認識帰納的知識追跡モデル(SINKT) SINKTは、学生の知識状態と質問表現とを相互作用させることで、対象の質問に対する学生の反応を予測する。
  論文  参考訳（メタデータ） (2024-07-01T12:44:52Z)
• Meta-Learning with Fewer Tasks through Task Interpolation [67.03769747726666]
  現在のメタ学習アルゴリズムは多数のメタトレーニングタスクを必要としており、実際のシナリオではアクセスできない可能性がある。 タスクグラデーションを用いたメタラーニング(MLTI)により,タスクのペアをランダムにサンプリングし,対応する特徴やラベルを補間することにより,タスクを効果的に生成する。 実証的な実験では,提案する汎用MLTIフレームワークが代表的なメタ学習アルゴリズムと互換性があり,他の最先端戦略を一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-06-04T20:15:34Z)
• Meta-learning framework with applications to zero-shot time-series forecasting [82.61728230984099]
  この研究は幅広いメタラーニングフレームワークを使って肯定的な証拠を提供する。 残余接続はメタラーニング適応機構として機能する。 我々は、ソースTSデータセット上でニューラルネットワークをトレーニングし、異なるターゲットTSデータセット上で再トレーニングすることなくデプロイできることを示します。
  論文  参考訳（メタデータ） (2020-02-07T16:39:43Z)

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。