論文の概要: PEOAT: Personalization-Guided Evolutionary Question Assembly for One-Shot Adaptive Testing

• arxiv url: http://arxiv.org/abs/2512.00439v1
• Date: Sat, 29 Nov 2025 10:38:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.244103
• Title: PEOAT: Personalization-Guided Evolutionary Question Assembly for One-Shot Adaptive Testing
• Title（参考訳）: PEOAT: ワンショット適応テストのためのパーソナライズガイドによる進化的質問アセンブリ
• Authors: Xiaoshan Yu, Ziwei Huang, Shangshang Yang, Ziwen Wang, Haiping Ma, Xingyi Zhang,
• Abstract要約: ワンショット適応テスト (One-shot Adaptive Testing, OAT) は、1回の選択で各テストテッカーに対して最適な項目の固定セットを選択することを目的としている。 本稿では,効率的な探索を可能にするために,スキーマ保存のクロスオーバーと認知誘導突然変異を取り入れた認知強化進化フレームワークを提案する。 PEOATの有効性は、2つのデータセットに関する広範囲な実験を通じて検証され、貴重な洞察を明らかにするケーススタディによって補完される。
• 参考スコア（独自算出の注目度）: 26.605029691211538
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid advancement of intelligent education, Computerized Adaptive Testing (CAT) has attracted increasing attention by integrating educational psychology with deep learning technologies. Unlike traditional paper-and-pencil testing, CAT aims to efficiently and accurately assess examinee abilities by adaptively selecting the most suitable items during the assessment process. However, its real-time and sequential nature presents limitations in practical scenarios, particularly in large-scale assessments where interaction costs are high, or in sensitive domains such as psychological evaluations where minimizing noise and interference is essential. These challenges constrain the applicability of conventional CAT methods in time-sensitive or resourceconstrained environments. To this end, we first introduce a novel task called one-shot adaptive testing (OAT), which aims to select a fixed set of optimal items for each test-taker in a one-time selection. Meanwhile, we propose PEOAT, a Personalization-guided Evolutionary question assembly framework for One-shot Adaptive Testing from the perspective of combinatorial optimization. Specifically, we began by designing a personalization-aware initialization strategy that integrates differences between examinee ability and exercise difficulty, using multi-strategy sampling to construct a diverse and informative initial population. Building on this, we proposed a cognitive-enhanced evolutionary framework incorporating schema-preserving crossover and cognitively guided mutation to enable efficient exploration through informative signals. To maintain diversity without compromising fitness, we further introduced a diversity-aware environmental selection mechanism. The effectiveness of PEOAT is validated through extensive experiments on two datasets, complemented by case studies that uncovered valuable insights.
• Abstract（参考訳）: 知的教育の急速な進歩に伴い、CAT(Computerized Adaptive Testing)は、教育心理学とディープラーニング技術を統合することで注目を集めている。 従来の紙とペンシルの試験とは異なり、CATは評価過程において最も適した項目を適応的に選択することで、検査能力を効率よく正確に評価することを目的としている。 しかし、そのリアルタイムおよびシーケンシャルな性質は、特に相互作用コストが高い大規模評価や、ノイズや干渉を最小限に抑える心理的評価のようなセンシティブな領域において、現実的なシナリオに制限をもたらす。 これらの課題は、時間に敏感な環境やリソース制約のある環境での従来のCAT手法の適用性を制限している。 そこで,我々はまず,単発適応テスト(OAT)と呼ばれる新しいタスクを導入する。 一方,単発適応テストのためのPersonalization-guided Evolutionary Question AssemblyフレームワークPEOATを組合せ最適化の観点から提案する。 具体的には、多戦略サンプリングを用いて、検査能力と運動難易度の違いを統合したパーソナライズ対応初期化戦略を設計し、多様性と情報に富んだ初期人口を構築することから始めた。 そこで我々は,情報信号による効率的な探索を可能にするために,スキーマ保存のクロスオーバーと認知誘導突然変異を取り入れた認知強化進化的枠組みを提案する。 適合性を損なうことなく多様性を維持するため,多様性に配慮した環境選択機構も導入した。 PEOATの有効性は、2つのデータセットに関する広範囲な実験を通じて検証され、貴重な洞察を明らかにするケーススタディによって補完される。

関連論文リスト

• Leveraging Metaheuristic Approaches to Improve Deep Learning Systems for Anxiety Disorder Detection [0.0]
  本研究では,Swarmインテリジェンスにインスパイアされた最適化戦略とディープラーニングアーキテクチャを統合した包括的モデルを提案する。 マルチモーダルおよびウェアラブルセンサーのデータセットを使用して、このフレームワークは生理的、感情的、行動的な信号を解析する。 この2つの計算パラダイムの融合が検出性能を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2025-11-24T07:03:15Z)
• On the Optimality of Tracking Fisher Information in Adaptive Testing with Stochastic Binary Responses [3.491999371287298]
  逐次二進応答から連続能力パラメータを推定する問題について検討する。 本稿では,フィッシャー情報を最大化するための質問を適応的に選択する簡単なアルゴリズムを提案する。 我々は,このフィッシャー追跡戦略が,固定信頼と固定予算の双方において最適な性能を達成することを証明した。
  論文  参考訳（メタデータ） (2025-10-09T07:10:00Z)
• Towards Agent-based Test Support Systems: An Unsupervised Environment Design Approach [0.0]
  本研究では,動的に変化するモードテスト環境における適応型センサ配置のためのエージェントベースの意思決定支援フレームワークを提案する。 このフレームワークは、部分的に観測可能なマルコフ決定プロセスを用いて問題を定式化し、一般の強化学習エージェントの訓練を可能にする。 鋼のカンチレバー構造に関する詳細なケーススタディでは, 周波数セグメント間のセンサ位置の最適化において, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2025-08-19T12:43:32Z)
• TestAgent: An Adaptive and Intelligent Expert for Human Assessment [62.060118490577366]
  対話型エンゲージメントによる適応テストを強化するために,大規模言語モデル(LLM)を利用したエージェントであるTestAgentを提案する。 TestAgentは、パーソナライズされた質問の選択をサポートし、テストテイカーの応答と異常をキャプチャし、動的で対話的なインタラクションを通じて正確な結果を提供する。
  論文  参考訳（メタデータ） (2025-06-03T16:07:54Z)
• Multi-Level Aware Preference Learning: Enhancing RLHF for Complex Multi-Instruction Tasks [81.44256822500257]
  RLHFは、人工知能システムと人間の好みを結びつける主要なアプローチとして登場した。 RLHFは、複雑なマルチインストラクションタスクに直面すると、不十分なコンプライアンス機能を示す。 本稿では,マルチインストラクション能力を向上させる新しいMAPL(Multi-level Aware Preference Learning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-19T08:33:11Z)
• A Systematic Examination of Preference Learning through the Lens of Instruction-Following [83.71180850955679]
  新たな合成データ生成パイプラインを用いて48,000の命令追従プロンプトを生成する。 合成プロンプトでは、リジェクションサンプリング(RS)とモンテカルロ木探索(MCTS)の2つの選好データセットキュレーション手法を用いる。 実験により、MCTSが生成した選好ペアにおける共有プレフィックスは、限界はあるが一貫した改善をもたらすことが明らかになった。 高コントラストの選好ペアは一般的に低コントラストのペアよりも優れているが、両者を組み合わせることで最高のパフォーマンスが得られることが多い。
  論文  参考訳（メタデータ） (2024-12-18T15:38:39Z)
• Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via Optimization Trajectory Distillation [73.83178465971552]
  自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。 非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。 本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
  論文  参考訳（メタデータ） (2023-07-27T08:58:05Z)
• Adaptive Identification of Populations with Treatment Benefit in Clinical Trials: Machine Learning Challenges and Solutions [78.31410227443102]
  確定的臨床試験において,特定の治療の恩恵を受ける患者サブポピュレーションを適応的に同定する問題について検討した。 サブポピュレーション構築のためのメタアルゴリズムであるAdaGGIとAdaGCPIを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:27:49Z)
• Transfer Learning Based Co-surrogate Assisted Evolutionary Bi-objective Optimization for Objectives with Non-uniform Evaluation Times [9.139734850798124]
  多目的進化アルゴリズムは、それぞれの目的関数を同じ時間内に評価できると仮定する。 高速な対象関数と低速な対象関数の間の機能的関係をモデル化するために、共代理が採用される。 高速な目的の探索プロセスから有用な知識を得るために、転送可能なインスタンス選択法を導入する。
  論文  参考訳（メタデータ） (2021-08-30T16:10:15Z)
• Novel Human-Object Interaction Detection via Adversarial Domain Generalization [103.55143362926388]
  本研究では,新たな人-物間相互作用(HOI)検出の問題点を考察し,モデルの一般化能力を向上させることを目的とした。 この課題は、主に対象と述語の大きな構成空間に起因し、全ての対象と述語の組み合わせに対する十分な訓練データが欠如している。 本稿では,予測のためのオブジェクト指向不変の特徴を学習するために,対数領域の一般化の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2020-05-22T22:02:56Z)

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。