論文の概要: KTCF: Actionable Recourse in Knowledge Tracing via Counterfactual Explanations for Education

• arxiv url: http://arxiv.org/abs/2601.09156v1
• Date: Wed, 14 Jan 2026 04:51:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.269845
• Title: KTCF: Actionable Recourse in Knowledge Tracing via Counterfactual Explanations for Education
• Title（参考訳）: KTCF:教育における対実的説明による知識追跡の実践的説明
• Authors: Woojin Kim, Changkwon Lee, Hyeoncheol Kim,
• Abstract要約: KT(Knowledge Tracing)は、学生のモデリングタスクにおいて、その優れた性能と教育応用の可能性から認識されている。 カウンターファクチュアルな説明は、行動可能な会話を提供し、本質的に因果的かつ局所的であり、教育関係者が、しばしば非専門家である者を理解するのが容易である。 KTCF,知識概念関係を考慮したKTの反実的説明生成手法,および反実的説明を教育指導に変換する後処理方式を提案する。
• 参考スコア（独自算出の注目度）: 3.5089313807518305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Using Artificial Intelligence to improve teaching and learning benefits greater adaptivity and scalability in education. Knowledge Tracing (KT) is recognized for student modeling task due to its superior performance and application potential in education. To this end, we conceptualize and investigate counterfactual explanation as the connection from XAI for KT to education. Counterfactual explanations offer actionable recourse, are inherently causal and local, and easy for educational stakeholders to understand who are often non-experts. We propose KTCF, a counterfactual explanation generation method for KT that accounts for knowledge concept relationships, and a post-processing scheme that converts a counterfactual explanation into a sequence of educational instructions. We experiment on a large-scale educational dataset and show our KTCF method achieves superior and robust performance over existing methods, with improvements ranging from 5.7% to 34% across metrics. Additionally, we provide a qualitative evaluation of our post-processing scheme, demonstrating that the resulting educational instructions help in reducing large study burden. We show that counterfactuals have the potential to advance the responsible and practical use of AI in education. Future works on XAI for KT may benefit from educationally grounded conceptualization and developing stakeholder-centered methods.
• Abstract（参考訳）: 人工知能を使って教育と学習を改善することで、教育の適応性とスケーラビリティが向上する。 KT(Knowledge Tracing)は、学生のモデリングタスクにおいて、その優れた性能と教育応用の可能性から認識されている。 そこで我々は,KT の XAI から教育への結びつきとして,反実的説明を概念化し,検討する。 カウンターファクチュアルな説明は、行動可能な会話を提供し、本質的に因果的かつ局所的であり、教育関係者が、しばしば非専門家である者を理解するのが容易である。 本稿では,知識概念関係を考慮に入れたKTの反実的説明生成手法であるKTCFと,反実的説明を教育指導のシーケンスに変換する後処理方式を提案する。 我々は、大規模な教育データセットを実験し、我々のKTCFメソッドが既存の手法よりも優れた、堅牢なパフォーマンスを実現し、メトリクス全体の5.7%から34%の改善を実現していることを示す。 さらに,ポストプロセッシング方式の質的評価を行い,その結果の教育指導が学習負担の軽減に有効であることを実証した。 反事実は、教育におけるAIの責任と実践的利用を促進する可能性があることを示す。 KTのためのXAIに関する今後の研究は、教育的基盤を持つ概念化と利害関係者中心の手法の開発から恩恵を受ける可能性がある。

関連論文リスト

• Personalized Exercise Recommendation with Semantically-Grounded Knowledge Tracing [54.44838681588145]
  ExRecは、セマンティックグラウンドの知識トレースを備えたパーソナライズされたエクササイズレコメンデーションのためのフレームワークである。 ExRecは、新しい、目に見えない質問に頑健に一般化し、解釈可能な学習軌跡を生成することを示す。
  論文  参考訳（メタデータ） (2025-07-15T07:54:04Z)
• KBAlign: Efficient Self Adaptation on Specific Knowledge Bases [73.34893326181046]
  本稿では,効率的なモデル適応によりRAGシステムを強化する自己教師型フレームワークKBAlignを提案する。 私たちのキーとなる洞察は、2つの革新的なメカニズムを通じて、モデルの本質的な能力を知識の整合性に活用することです。 KBAlign は GPT-4 による適応によって得られる性能向上の90%を達成できることを示した。
  論文  参考訳（メタデータ） (2024-11-22T08:21:03Z)
• Adaptive Explicit Knowledge Transfer for Knowledge Distillation [17.739979156009696]
  教師モデルから,非目標クラスの確率分布を効果的に提供することにより,ロジットに基づく知識蒸留の性能を向上させることができることを示す。 本研究では,学習者が暗黙的な知識を適応的に学習できる新たな損失を提案する。 実験結果から, 適応的明示的知識伝達法(AEKT)は, 最先端KD法と比較して性能が向上することが示された。
  論文  参考訳（メタデータ） (2024-09-03T07:42:59Z)
• Leveraging Pedagogical Theories to Understand Student Learning Process with Graph-based Reasonable Knowledge Tracing [11.082908318943248]
  本稿では,これらの問題に対処するためのグラフベースの合理的知識追跡手法GRKTを紹介する。 本稿では,知識検索,記憶強化,知識学習・鍛造の3段階モデリングプロセスを提案する。
  論文  参考訳（メタデータ） (2024-06-07T10:14:30Z)
• Application of Deep Self-Attention in Knowledge Tracing [2.5852720579998336]
  本稿では,中国の多くの大学の学生が使用しているオンラインアセスメントシステムであるPTAのデータをもとに,Deep Self-Attentive Knowledge Tracing (DSAKT)を提案する。 PTAのデータの実験では、DSAKTは知識追跡において他のモデルよりも2.1%向上している。
  論文  参考訳（メタデータ） (2021-05-17T14:45:38Z)
• A Competence-aware Curriculum for Visual Concepts Learning via Question Answering [95.35905804211698]
  本稿では,視覚概念学習のための質問応答型カリキュラムを提案する。 視覚概念を学習するためのニューラルシンボリックな概念学習者と学習プロセスを導くための多次元項目応答理論(mIRT)モデルを設計する。 CLEVRの実験結果から,コンピテンスを意識したカリキュラムにより,提案手法は最先端のパフォーマンスを実現することが示された。
  論文  参考訳（メタデータ） (2020-07-03T05:08:09Z)
• Transfer Heterogeneous Knowledge Among Peer-to-Peer Teammates: A Model Distillation Approach [55.83558520598304]
  本研究は, モデル蒸留により, 複数の学生間で経験と伝達値関数を再利用する新しい手法を提案する。 また、異種知識を活用するための効率的な通信プロトコルの設計方法について述べる。 提案するフレームワークである学習・指導カテゴリー強化は,学習の進捗を安定化・加速する上で有望な性能を示す。
  論文  参考訳（メタデータ） (2020-02-06T11:31:04Z)

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。