論文の概要: Tracing Mathematical Proficiency Through Problem-Solving Processes

• arxiv url: http://arxiv.org/abs/2512.00311v1
• Date: Sat, 29 Nov 2025 04:12:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.165043
• Title: Tracing Mathematical Proficiency Through Problem-Solving Processes
• Title（参考訳）: 問題解決過程における数学的習熟度の追跡
• Authors: Jungyang Park, Suho Kang, Jaewoo Park, Jaehong Kim, Jaewoo Shin, Seonjoon Park, Youngjae Yu,
• Abstract要約: 知識追跡(KT)は、学生の知識状態をモデル化し、将来のパフォーマンスを予測し、パーソナライズされた学習を可能にすることを目的としている。 本稿では,学生の問題解決プロセスを取り入れた知識追跡学習型問題解決プロセス(KT-PSP)を提案し,数学的習熟度の多次元的側面を捉える。 そこで我々は,教師-教師-教師-教師の3段階LLMパイプラインを用いて,学生MPを中間信号として抽出するKTフレームワークであるStatusKTを提案する。
• 参考スコア（独自算出の注目度）: 25.35384417657068
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge Tracing (KT) aims to model student's knowledge state and predict future performance to enable personalized learning in Intelligent Tutoring Systems. However, traditional KT methods face fundamental limitations in explainability, as they rely solely on the response correctness, neglecting the rich information embedded in students' problem-solving processes. To address this gap, we propose Knowledge Tracing Leveraging Problem-Solving Process (KT-PSP), which incorporates students' problem-solving processes to capture the multidimensional aspects of mathematical proficiency. We also introduce KT-PSP-25, a new dataset specifically designed for the KT-PSP. Building on this, we present StatusKT, a KT framework that employs a teacher-student-teacher three-stage LLM pipeline to extract students' MP as intermediate signals. In this pipeline, the teacher LLM first extracts problem-specific proficiency indicators, then a student LLM generates responses based on the student's solution process, and a teacher LLM evaluates these responses to determine mastery of each indicator. The experimental results on KT-PSP-25 demonstrate that StatusKT improves the prediction performance of existing KT methods. Moreover, StatusKT provides interpretable explanations for its predictions by explicitly modeling students' mathematical proficiency.
• Abstract（参考訳）: 知識追跡(KT)は、学生の知識状態をモデル化し、将来のパフォーマンスを予測し、インテリジェントチューニングシステムにおけるパーソナライズされた学習を可能にすることを目的としている。 しかし、従来のKT手法は、生徒の問題解決プロセスに埋め込まれた豊富な情報を無視し、応答の正しさのみに頼っているため、説明可能性の基本的な制限に直面している。 このギャップに対処するために,学生の問題解決を取り入れた知識追跡活用問題解決プロセス(KT-PSP)を提案する。 また、KT-PSP用に設計された新しいデータセットであるKT-PSP-25を導入する。 そこで我々は,教師-教師-教師-教員-3段階LLMパイプラインを用いたKTフレームワークであるStatusKTを提案し,学生のMPを中間信号として抽出する。 このパイプラインにおいて、教師LLMはまず問題固有の熟練度指標を抽出し、次に生徒LLMは生徒の解法プロセスに基づいて応答を生成し、教師LLMはこれらの応答を評価して各指標の熟達度を決定する。 KT-PSP-25の実験結果から,StatusKTは既存のKT法の予測性能を向上させることが示された。 さらに、StatusKTは、学生の数学的習熟度を明示的にモデル化することで、予測の解釈可能な説明を提供する。

関連論文リスト

• Next Token Knowledge Tracing: Exploiting Pretrained LLM Representations to Decode Student Behaviour [5.32438871812364]
  知識追跡タスクは、学習環境における教育的質問に対する学生の反応を予測することを目的としている。 既存のKTモデルは、通常、スキルタグやタイムスタンプといったメタデータとともに応答の正しさを使用し、しばしば質問テキストを見渡す。 提案するNext Token Knowledge Tracing(NTKT)は,事前訓練された大規模言語モデルを用いて,KTを次のトークン予測タスクとして再編成する手法である。
  論文  参考訳（メタデータ） (2025-11-04T14:20:56Z)
• 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)
• Automated Knowledge Concept Annotation and Question Representation Learning for Knowledge Tracing [59.480951050911436]
  自動知識概念アノテーションと質問表現学習のためのフレームワークであるKCQRLを提案する。 実世界の2つの学習データセット上で、15KTアルゴリズムにまたがるKCQRLの有効性を実証する。
  論文  参考訳（メタデータ） (2024-10-02T16:37:19Z)
• 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)
• Knowledge Tracing for Complex Problem Solving: Granular Rank-Based Tensor Factorization [6.077274947471846]
  グラニュラーRAnkに基づくTEnsor Factorization (GRATE) を用いた新しい学生知識追跡手法を提案する。 GRATEは、問題における生徒のパフォーマンスを予測し、それらに提示される概念を発見しながら集約できる学生の試みを選択する。 実世界の3つのデータセットに対する実験は、最先端のベースラインに比べてGRATEの性能が向上したことを示している。
  論文  参考訳（メタデータ） (2022-10-06T06:22:46Z)
• BKT-LSTM: Efficient Student Modeling for knowledge tracing and student performance prediction [0.24366811507669117]
  BKT-LSTMと呼ばれる効率的な学生モデルを提案する。 bktによって評価された個々のtextitskill mastery、k-meansクラスタリングとtextitproblemの難易度によって検出されるtextitability profile(スキル間の学習転送)である。
  論文  参考訳（メタデータ） (2020-12-22T18:05:36Z)
• 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。