論文の概要: Behavior-Aware Item Modeling via Dynamic Procedural Solution Representations for Knowledge Tracing

• arxiv url: http://arxiv.org/abs/2604.08260v1
• Date: Thu, 09 Apr 2026 13:47:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.945509
• Title: Behavior-Aware Item Modeling via Dynamic Procedural Solution Representations for Knowledge Tracing
• Title（参考訳）: 動的手続き的解表現を用いた知識追跡のための行動認識項目モデリング
• Authors: Jun Seo, Sangwon Ryu, Heejin Do, Hyounghun Kim, Gary Geunbae Lee,
• Abstract要約: 本稿では,動的手続き的ソリューション情報を統合することで,アイテム表現を充実させるフレームワークである行動認識アイテムモデリング(BAIM)を提案する。 BAIMは推論言語モデルを利用して、各項目の解を4つの問題解決段階に分解する。 XES3G5M と NIPS34 の実験では、BAIM は強い事前学習ベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 29.193697409059613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Tracing (KT) aims to predict learners' future performance from past interactions. While recent KT approaches have improved via learning item representations aligned with Knowledge Components, they overlook the procedural dynamics of problem solving. We propose Behavior-Aware Item Modeling (BAIM), a framework that enriches item representations by integrating dynamic procedural solution information. BAIM leverages a reasoning language model to decompose each item's solution into four problem-solving stages (i.e., understand, plan, carry out, and look back), pedagogically grounded in Polya's framework. Specifically, it derives stage-level representations from per-stage embedding trajectories, capturing latent signals beyond surface features. To reflect learner heterogeneity, BAIM adaptively routes these stage-wise representations, introducing a context-conditioned mechanism within a KT backbone, allowing different procedural stages to be emphasized for different learners. Experiments on XES3G5M and NIPS34 show that BAIM consistently outperforms strong pretraining-based baselines, achieving particularly large gains under repeated learner interactions.
• Abstract（参考訳）: 知識追跡(KT)は、過去のインタラクションから学習者の将来のパフォーマンスを予測することを目的としている。 最近のKTアプローチでは、知識コンポーネントに沿った項目表現を学習することで改善されているが、彼らは問題解決の手続き的ダイナミクスを見落としている。 本稿では,動的手続き的ソリューション情報を統合することで,アイテム表現を充実させるフレームワークである行動認識アイテムモデリング(BAIM)を提案する。 BAIMは推論言語モデルを利用して、各項目の解答を4つの問題解決段階(すなわち、理解、計画、実行、振り返る)に分解する。 具体的には、ステージごとの埋め込み軌跡からステージレベルの表現を導き、表面の特徴を超えた遅延信号をキャプチャする。 学習者の不均一性を反映するため、BAIMはこれらの段階的表現を適応的にルーティングし、KTバックボーン内にコンテキスト条件付きメカニズムを導入し、異なる学習者に対して異なる手続き段階を強調できるようにする。 XES3G5M と NIPS34 の実験では、BAIM は、学習者間相互作用の繰り返しにおいて、強い事前学習ベースラインを一貫して上回り、特に大きなゲインを達成している。

関連論文リスト

• Action-Dynamics Modeling and Cross-Temporal Interaction for Online Action Understanding [23.87664450145037]
  行動検出と予測を含む行動理解は、多くの実践的応用において重要な役割を担っている。 本研究では,アクション検出と予測タスクの統合と強化を目的とした,ステート・スペクティフィック・モデル(SSM)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-12T16:10:40Z)
• Feature-Based vs. GAN-Based Learning from Demonstrations: When and Why [50.191655141020505]
  この調査は、デモから学ぶ機能ベースのアプローチとGANベースのアプローチの比較分析を提供する。 特徴に基づく手法とGANに基づく手法の2分法はますます曖昧になっていると我々は主張する。
  論文  参考訳（メタデータ） (2025-07-08T11:45:51Z)
• LLM-enhanced Action-aware Multi-modal Prompt Tuning for Image-Text Matching [25.883546163390957]
  大規模言語モデル(LLM)が生成する行動関連外部知識を組み込むことにより,CLIPをきめ細かな行動レベル理解に役立てる。 本稿では,行動認識に基づく視覚的特徴を集約し,識別的・行動的視覚的表現を確立するための知識を付加する適応的相互作用モジュールを提案する。
  論文  参考訳（メタデータ） (2025-06-30T03:49:08Z)
• Dynamic Programming Techniques for Enhancing Cognitive Representation in Knowledge Tracing [125.75923987618977]
  認知表現動的プログラミングに基づく知識追跡(CRDP-KT)モデルを提案する。 質問の難易度とそれらの間の性能間隔に基づいて認知表現を最適化する動的プログラミングアルゴリズムである。 これは、その後のモデルトレーニングのためにより正確で体系的な入力機能を提供し、それによって認知状態のシミュレーションにおける歪みを最小限にする。
  論文  参考訳（メタデータ） (2025-06-03T14:44:48Z)
• Modeling Unseen Environments with Language-guided Composable Causal Components in Reinforcement Learning [15.594198876509628]
  構成因果成分を用いた世界モデリング(WM3C)について紹介する。 このフレームワークは、因果成分の学習と活用による強化学習を強化する。 我々のアプローチは、潜在空間を意味のある構成要素に分解するために、言語を構成モダリティとして統合する。
  論文  参考訳（メタデータ） (2025-05-13T09:08:28Z)
• Improving Question Embeddings with Cognitive Representation Optimization for Knowledge Tracing [77.14348157016518]
  KTモデリングの研究は、既存の未更新の学生の相互作用の記録に基づいて、将来の学生のパフォーマンスを予測することに焦点を当てている。 動的プログラミングアルゴリズムを用いて認知表現の構造を最適化する知識追跡型認知表現最適化(CRO-KT)モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-05T09:32:03Z)
• Explaining and Mitigating the Modality Gap in Contrastive Multimodal Learning [7.412307614007383]
  マルチモーダル学習モデルは、共有表現空間を学習することにより、画像やテキストなどの様々なモダリティをブリッジするように設計されている。 これらのモデルはしばしばモダリティギャップを示し、異なるモダリティが共有表現空間内の異なる領域を占める。 トレーニング中にモダリティギャップを生じ、持続させる上で、不整合データペアと学習可能な温度パラメータの臨界的役割を同定する。
  論文  参考訳（メタデータ） (2024-12-10T20:36:49Z)
• On Contrastive Representations of Stochastic Processes [53.21653429290478]
  プロセスの表現を学習することは、機械学習の新たな問題である。 本手法は,周期関数,3次元オブジェクト,動的プロセスの表現の学習に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-18T11:00:24Z)

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。