論文の概要: ConceptKT: A Benchmark for Concept-Level Deficiency Prediction in Knowledge Tracing

• arxiv url: http://arxiv.org/abs/2603.24073v1
• Date: Wed, 25 Mar 2026 08:27:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.209301
• Title: ConceptKT: A Benchmark for Concept-Level Deficiency Prediction in Knowledge Tracing
• Title（参考訳）: ConceptKT:知識追跡における概念レベル欠陥予測のためのベンチマーク
• Authors: Yu-Chen Kang, Yu-Chien Tang, An-Zi Yen,
• Abstract要約: ラベル付きデータセットであるConceptKTは、各質問の解決に必要な概念と、誤った応答の根底にある概念の両方をキャプチャする。 各種大言語モデル(LLM)とLarge Reasoning Model(LRM)の診断能力の評価を行った。 実験結果から, 概念的アライメントと意味的類似性に基づく応答履歴の選択は, 正当性予測と概念レベルの欠陥同定の両方において, 性能の向上をもたらすことが示された。
• 参考スコア（独自算出の注目度）: 5.988618373867388
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge Tracing (KT) is a critical technique for modeling student knowledge to support personalized learning. However, most KT systems focus on binary correctness prediction and cannot diagnose the underlying conceptual misunderstandings that lead to errors. Such fine-grained diagnostic feedback is essential for designing targeted instruction and effective remediation. In this work, we introduce the task of concept-level deficiency prediction, which extends traditional KT by identifying the specific concepts a student is likely to struggle with on future problems. We present ConceptKT, a dataset annotated with labels that capture both the concepts required to solve each question and the missing concepts underlying incorrect responses. We investigate in-context learning approaches to KT and evaluate the diagnostic capabilities of various Large Language Models (LLMs) and Large Reasoning Models (LRMs). Different strategies for selecting informative historical records are explored. Experimental results demonstrate that selecting response histories based on conceptual alignment and semantic similarity leads to improved performance on both correctness prediction and concept-level deficiency identification.
• Abstract（参考訳）: 知識追跡(KT)は,個人化学習を支援するために,学生の知識をモデル化するための重要な手法である。 しかしながら、ほとんどのKTシステムはバイナリの正当性予測に重点を置いており、誤りにつながる概念的誤解を診断することはできない。 このような微粒な診断フィードバックは、目標とする指導と効果的な修復の設計に不可欠である。 本研究は,学生が今後の課題に直面するであろう特定の概念を特定することによって,従来のKTを拡張した概念レベルの欠陥予測の課題を紹介する。 ラベル付きデータセットであるConceptKTは、各質問の解決に必要な概念と、誤った応答の根底にある概念の両方をキャプチャする。 KTの文脈内学習手法について検討し,様々なLarge Language Model (LLM) とLarge Reasoning Model (LRM) の診断能力を評価した。 情報的史料を選定するための様々な戦略を探求する。 実験結果から, 概念的アライメントと意味的類似性に基づく応答履歴の選択は, 正当性予測と概念レベルの欠陥同定の両方において, 性能の向上をもたらすことが示された。

関連論文リスト

• Rethinking Concept Bottleneck Models: From Pitfalls to Solutions [53.84388497227224]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、人間の理解可能な概念の基底予測である。 CBM-Suiteはこれらの課題に対処するための方法論的なフレームワークである。
  論文  参考訳（メタデータ） (2026-03-05T19:37:49Z)
• PICKT: Practical Interlinked Concept Knowledge Tracing for Personalized Learning using Knowledge Map Concept Relations [2.449909275410288]
  本稿では,学生のインタラクションのシーケンスを分析し,知識獲得レベルを予測する知識追跡モデルのコア技術に焦点をあてる。 知識マップは、質問や概念テキスト情報を考慮した概念間の関係を構造化し、冷戦開始時においても効果的な知識追跡を可能にする。
  論文  参考訳（メタデータ） (2025-12-08T05:24:17Z)
• Understanding Catastrophic Interference: On the Identifibility of Latent Representations [67.05452287233122]
  破滅的な干渉、あるいは破滅的な忘れ(Caastrophic forgetting)は、機械学習の根本的な課題である。 本稿では,破滅的干渉を識別問題として定式化する新しい理論枠組みを提案する。 我々のアプローチは、合成データセットとベンチマークデータセットの両方で理論的保証と実用的なパフォーマンスの改善を提供する。
  論文  参考訳（メタデータ） (2025-09-27T00:53:32Z)
• Harnessing Structured Knowledge: A Concept Map-Based Approach for High-Quality Multiple Choice Question Generation with Effective Distractors [0.0]
  本稿では, MCQ の生成において, LLM を誘導する構造的知識を提供する階層的概念マップベースフレームワークを提案する。 我々は,ベースLLMとRAGベースジェネレーションの2つのベースラインアプローチに対して,我々のフレームワークを評価する。
  論文  参考訳（メタデータ） (2025-05-02T06:36:06Z)
• Sample-efficient Learning of Concepts with Theoretical Guarantees: from Data to Concepts without Interventions [13.877511370053794]
  概念ボトルネックモデル(CBM)は、高次元データから解釈可能な概念を学ぶことでこれらの課題に対処する。 本稿では,学習概念の正しさと必要なラベル数に関する理論的保証を提供する枠組みについて述べる。 合成および画像のベンチマークにおいて、我々のフレームワークを評価し、学習された概念が不純物が少なく、しばしば他のCBMよりも正確であることを示す。
  論文  参考訳（メタデータ） (2025-02-10T15:01:56Z)
• 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)
• Enhancing Knowledge Tracing with Concept Map and Response Disentanglement [5.201585012263761]
  本稿では,知識追跡(CRKT)モデルを強化するための概念マップ駆動型応答不整合法を提案する。 CRKTは、答えの選択を直接活用することでKTに恩恵を与える。 さらに,不整合表現を用いて,学生が選択しない選択肢から洞察を得るアンチョセン応答の新規利用について紹介する。
  論文  参考訳（メタデータ） (2024-08-23T11:25:56Z)
• 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)
• DISSECT: Disentangled Simultaneous Explanations via Concept Traversals [33.65478845353047]
  DISSECTは、ディープラーニングモデル推論を説明するための新しいアプローチである。 DISSECTは、分類器の信号から生成モデルを訓練することにより、異なる概念の分類器固有の「名詞」を発見する方法を提供する。 DISSECTは,複数の概念を分離し,共同訓練による推論と結合したCTを生成する。
  論文  参考訳（メタデータ） (2021-05-31T17:11:56Z)

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。