論文の概要: Instructor-Aligned Knowledge Graphs for Personalized Learning

• arxiv url: http://arxiv.org/abs/2602.17111v1
• Date: Thu, 19 Feb 2026 06:15:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.722471
• Title: Instructor-Aligned Knowledge Graphs for Personalized Learning
• Title（参考訳）: パーソナライズドラーニングのための教師対応知識グラフ
• Authors: Abdulrahman AlRabah, Priyanka Kargupta, Jiawei Han, Abdussalam Alawini,
• Abstract要約: InstructKGはインストラクターによる知識グラフを自動的に構築するフレームワークである。 InstructKGはノードとして重要な概念を抽出し、有向エッジとして学習依存を推論する。 InstructKGは、リッチでインストラクターに準拠した学習の進捗をキャプチャする。
• 参考スコア（独自算出の注目度）: 18.405486267157247
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Mastering educational concepts requires understanding both their prerequisites (e.g., recursion before merge sort) and sub-concepts (e.g., merge sort as part of sorting algorithms). Capturing these dependencies is critical for identifying students' knowledge gaps and enabling targeted intervention for personalized learning. This is especially challenging in large-scale courses, where instructors cannot feasibly diagnose individual misunderstanding or determine which concepts need reinforcement. While knowledge graphs offer a natural representation for capturing these conceptual relationships at scale, existing approaches are either surface-level (focusing on course-level concepts like "Algorithms" or logistical relationships such as course enrollment), or disregard the rich pedagogical signals embedded in instructional materials. We propose InstructKG, a framework for automatically constructing instructor-aligned knowledge graphs that capture a course's intended learning progression. Given a course's lecture materials (slides, notes, etc.), InstructKG extracts significant concepts as nodes and infers learning dependencies as directed edges (e.g., "part-of" or "depends-on" relationships). The framework synergizes the rich temporal and semantic signals unique to educational materials (e.g., "recursion" is taught before "mergesort"; "recursion" is mentioned in the definition of "merge sort") with the generalizability of large language models. Through experiments on real-world, diverse lecture materials across multiple courses and human-based evaluation, we demonstrate that InstructKG captures rich, instructor-aligned learning progressions.
• Abstract（参考訳）: 教育概念を習得するには、それらの前提条件(例えば、マージソート前の再帰)とサブコンセプト(例えば、ソートアルゴリズムの一部としてマージソート)の両方を理解する必要がある。 これらの依存関係を捕捉することは、生徒の知識ギャップを識別し、パーソナライズされた学習のためのターゲットとなる介入を可能にするために重要である。 これは、インストラクターが個々の誤解を確実に診断したり、どの概念に強化が必要なのかを判断できない大規模コースにおいて特に困難である。 知識グラフは、これらの概念的関係を大規模に捉えるための自然な表現を提供するが、既存のアプローチは、表面レベル("algorithms"のようなコースレベルの概念に焦点をあてる)か、または、教育材料に埋め込まれた豊富な教育的信号を無視している。 InstructKGは,授業の意図する学習進捗をキャプチャするインストラクター・アライン・ナレッジグラフを自動構築するフレームワークである。 講義資料(スライド、ノートなど)が与えられたら、InstructKGはノードとして重要な概念を抽出し、学習依存を有向エッジ(例えば、"part-of"や"deepends-on"関係)として推論する。 このフレームワークは、教育材料に特有の豊かな時間的・意味的な信号(例えば、"mergesort"の前に「再帰」を教える;"merge sort"の定義で「再帰」が言及される)を、大きな言語モデルの一般化可能性とともにシナジー化する。 実世界の多種多様な講義教材の実験と人間による評価を通じて、インストラクタKGはリッチでインストラクタに準拠した学習の進歩を捉えていることを示す。

関連論文リスト

• Forgetting is Everywhere [19.22572725623779]
  本稿では,学習者の将来の体験に対する予測分布における自己整合性の欠如を特徴付けるアルゴリズム・タスク非依存理論を提案する。 我々の理論は、アルゴリズムが忘れる確率の一般的な測度を自然に生み出す。 我々は,すべての学習環境に忘れ物が存在することを実証的に示し,学習効率を決定する上で重要な役割を担っている。
  論文  参考訳（メタデータ） (2025-11-06T18:52:57Z)
• Inferring Prerequisite Knowledge Concepts in Educational Knowledge Graphs: A Multi-criteria Approach [1.4081145216286748]
  ラベル付きデータに頼らずに概念PRを自動的に推測する教師なし手法を提案する。 文書ベース、ハイパーリンクベース、テキストベース機能に基づいて10の基準を定義し、投票アルゴリズムを用いて教育コンテンツ中のPRを頑健にキャプチャする。
  論文  参考訳（メタデータ） (2025-09-05T10:37:58Z)
• Learning Representations for Reasoning: Generalizing Across Diverse Structures [5.031093893882575]
  我々は、知識とクエリ構造をまたいだアルゴリズムを考案し、推論モデルの境界を推し進めることを目指している。 図書館は構造化データを第一級市民として扱い,構造化データのアルゴリズム開発における障壁を取り除く。
  論文  参考訳（メタデータ） (2024-10-16T20:23:37Z)
• Hierarchical Insights: Exploiting Structural Similarities for Reliable 3D Semantic Segmentation [4.480310276450028]
  本稿では,抽象を通してクラス間の構造的関係を学習する3次元LiDARセマンティックセマンティックセマンティクスモデルのトレーニング戦略を提案する。 これは、階層的マルチラベル分類(HMC)のための学習規則を用いて、これらの関係を暗黙的にモデル化することで達成される。 詳細な分析により、このトレーニング戦略はモデルの信頼性校正を改善するだけでなく、融合、予測、計画といった下流タスクに有用な追加情報を保持することが示される。
  論文  参考訳（メタデータ） (2024-04-09T08:49:01Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Joint Language Semantic and Structure Embedding for Knowledge Graph Completion [66.15933600765835]
  本稿では,知識三重項の自然言語記述と構造情報とを共同で組み込むことを提案する。 本手法は,学習済み言語モデルを微調整することで,完了作業のための知識グラフを埋め込む。 各種知識グラフベンチマーク実験により,本手法の最先端性能を実証した。
  論文  参考訳（メタデータ） (2022-09-19T02:41:02Z)
• R-VGAE: Relational-variational Graph Autoencoder for Unsupervised Prerequisite Chain Learning [83.13634692459486]
  本稿では,概念リソースノードからなるグラフ内の概念関係を予測するために,グラフオートエンコーダ(VGA-E)と呼ばれるモデルを提案する。 その結果, 教師なし手法は, グラフベースの半教師付き手法やベースライン法よりも9.77%, 10.47%, 前提条件関係予測精度とF1スコアに優れていた。 提案手法は,教師なし事前学習のタスクに深層学習表現を適用しようとする最初のグラフベースモデルである。
  論文  参考訳（メタデータ） (2020-04-22T14:48:03Z)
• Generative Adversarial Zero-Shot Relational Learning for Knowledge Graphs [96.73259297063619]
  我々は、この厄介なキュレーションを解放するために、新しい定式化、ゼロショット学習を考える。 新たに追加された関係について,テキスト記述から意味的特徴を学習しようと試みる。 我々は,GAN(Generative Adrial Networks)を活用し,テキストと知識グラフ領域の接続を確立する。
  論文  参考訳（メタデータ） (2020-01-08T01:19:08Z)

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。