論文の概要: Neural-Symbolic Knowledge Tracing: Injecting Educational Knowledge into Deep Learning for Responsible Learner Modelling

• arxiv url: http://arxiv.org/abs/2604.08263v1
• Date: Thu, 09 Apr 2026 13:49:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.947407
• Title: Neural-Symbolic Knowledge Tracing: Injecting Educational Knowledge into Deep Learning for Responsible Learner Modelling
• Title（参考訳）: ニューラル・シンボリック・ナレッジ・トレーシング: 責任学習者モデリングのための深層学習に教育的知識を注入する
• Authors: Danial Hooshyar, Gustav Šír, Yeongwook Yang, Tommi Kärkkäinen, Raija Hämäläinen, Ekaterina Krivich, Mutlu Cukurova, Dragan Gašević, Roger Azevedo,
• Abstract要約: 本稿では,ニューラルシンボリックな深層知識追跡手法であるResponsible-DKTを提案する。 シンボリックな教育知識(例えば、熟達と非熟達規則)を、責任ある学習者モデリングのためのシーケンシャルなニューラルモデルに統合する。 学生の数学相互作用の現実的なデータセットの実験により、Responsible-DKTは、ニューラルシンボリックベースラインと完全にデータ駆動のPyTorch DKTモデルの両方より優れていることが示された。
• 参考スコア（独自算出の注目度）: 4.304713128122141
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growing use of artificial intelligence (AI) in education, particularly large language models (LLMs), has increased interest in intelligent tutoring systems. However, LLMs often show limited adaptivity and struggle to model learners' evolving knowledge over time, highlighting the need for dedicated learner modelling approaches. Although deep knowledge tracing methods achieve strong predictive performance, their opacity and susceptibility to bias can limit alignment with pedagogical principles. To address this, we propose Responsible-DKT, a neural-symbolic deep knowledge tracing approach that integrates symbolic educational knowledge (e.g., mastery and non-mastery rules) into sequential neural models for responsible learner modelling. Experiments on a real-world dataset of students' math interactions show that Responsible-DKT outperforms both a neural-symbolic baseline and a fully data-driven PyTorch DKT model across training settings. The model achieves over 0.80 AUC with only 10% of training data and up to 0.90 AUC, improving performance by up to 13%. It also demonstrates improved temporal reliability, producing lower early- and mid-sequence prediction errors and the lowest prediction inconsistency rates across sequence lengths, indicating that prediction updates remain directionally aligned with observed student responses over time. Furthermore, the neural-symbolic approach offers intrinsic interpretability via a grounded computation graph that exposes the logic behind each prediction, enabling both local and global explanations. It also allows empirical evaluation of pedagogical assumptions, revealing that repeated incorrect responses (non-mastery) strongly influence prediction updates. These results indicate that neural-symbolic approaches enhance both performance and interpretability, mitigate data limitations, and support more responsible, human-centered AI in education.
• Abstract（参考訳）: 教育における人工知能(AI)の利用の増加、特に大きな言語モデル(LLM)は、インテリジェントなチューリングシステムへの関心を高めている。 しかし、LLMは適応性に限界があり、学習者の進化する知識を時間とともにモデル化するのに苦労し、専用の学習者モデリングアプローチの必要性を強調している。 深い知識追跡手法は強い予測性能を達成するが、その不透明さと偏見への感受性は教育学的な原則との整合性を制限できる。 これを解決するために、我々は、象徴的な教育知識(例えば、熟達と非熟達規則)を有意な学習者モデリングのためのシーケンシャルなニューラルモデルに統合する、ニューラルシンボリックな深層知識追跡手法であるResponsible-DKTを提案する。 学生の数学相互作用の実際のデータセットでの実験によると、Responsible-DKTは、トレーニング設定全体にわたって、ニューラルシンボリックベースラインと、完全にデータ駆動のPyTorch DKTモデルの両方より優れている。 トレーニングデータの10%と最大0.90のAUCで0.80 AUCを達成し、パフォーマンスを最大13%向上させる。 また、時間的信頼性を改善し、早期・中期の予測誤差を低くし、列長間の不整合率を低くし、予測更新が時間の経過とともに観察された学生の反応と方向整合していることを示す。 さらに、ニューラル・シンボリック・アプローチは、各予測の背後にある論理を公開し、局所的および大域的説明を可能にする、基底計算グラフを通じて固有の解釈性を提供する。 また、教育的仮定の実証的な評価を可能にし、繰り返しの誤った反応(非熟達)が予測更新に強く影響することを明らかにする。 これらの結果は、ニューラルシンボリックアプローチがパフォーマンスと解釈可能性の両方を強化し、データ制限を緩和し、教育においてより責任を持ち、人間中心のAIをサポートすることを示唆している。

関連論文リスト

• On Neural Scaling Laws for Weather Emulation through Continual Training [76.70310203875866]
  我々はScientific Machine Learningにおけるニューラルスケーリングについて研究し、天気予報モデルに焦点を当てた。 可能な限り簡単な設定でスケーリング動作を解析するために、最小限でスケーラブルで汎用的なSwin Transformerアーキテクチャを採用する。 この最小限の方法でトレーニングされたモデルは、予測可能なスケーリングトレンドに従っており、標準的なコサイン学習率のスケジュールよりも優れています。
  論文  参考訳（メタデータ） (2026-03-26T17:37:25Z)
• Enhanced Interpretable Knowledge Tracing for Students Performance Prediction with Human understandable Feature Space [2.053999499982333]
  知識追跡(KT)は、学生の熟練度を評価し、将来のパフォーマンスを予測する上で中心的な役割を果たす。 我々の貢献は、予測力と解釈可能性のバランスを保ち、適応学習システムの有用性を推し進めることである。
  論文  参考訳（メタデータ） (2025-09-22T13:47:28Z)
• Efficient Machine Unlearning via Influence Approximation [75.31015485113993]
  インフルエンサーベースのアンラーニングは、個別のトレーニングサンプルがモデルパラメータに与える影響を再トレーニングせずに推定する顕著なアプローチとして現れてきた。 本稿では,暗記(増分学習)と忘れ(未学習)の理論的関連性を確立する。 本稿では、インフルエンス近似アンラーニングアルゴリズムを導入し、インクリメンタルな視点から効率的なマシンアンラーニングを行う。
  論文  参考訳（メタデータ） (2025-07-31T05:34:27Z)
• A Novel Neural-symbolic System under Statistical Relational Learning [47.30190559449236]
  NSF-SRLと呼ばれる統計的関係学習に基づくニューラルシンボリック・フレームワークを提案する。 シンボリック推論の結果は、深層学習モデルによる予測の洗練と修正に利用され、深層学習モデルはシンボリック推論プロセスの効率を高める。 我々は、このアプローチがニューラルシンボリックシステムの新しい標準となり、汎用人工知能の分野における将来の研究を促進すると信じている。
  論文  参考訳（メタデータ） (2023-09-16T09:15:37Z)
• Interpretable Knowledge Tracing: Simple and Efficient Student Modeling with Causal Relations [21.74631969428855]
  解釈可能な知識追跡(英: Interpretable Knowledge Tracing, IKT)は、3つの有意義な潜在機能に依存する単純なモデルである。 IKTの将来の学生成績予測は、Tree-Augmented Naive Bayes (TAN) を用いて行われる。 IKTは、現実世界の教育システムにおいて、因果推論を用いた適応的でパーソナライズされた指示を提供する大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2021-12-15T19:05:48Z)
• Evaluating deep transfer learning for whole-brain cognitive decoding [11.898286908882561]
  転送学習(TL)は、少数のサンプルを持つデータセットにおける深層学習(DL)モデルの性能向上に適している。 本稿では,全脳機能型磁気共鳴画像(fMRI)データから認識状態の復号化にDLモデルを適用するためのTLを評価した。
  論文  参考訳（メタデータ） (2021-11-01T15:44:49Z)
• Learning by Distillation: A Self-Supervised Learning Framework for Optical Flow Estimation [71.76008290101214]
  DistillFlowは光の流れを学ぶための知識蒸留手法である。 KITTIとSintelの両方のデータセット上で、最先端の教師なし学習性能を実現する。 我々のモデルは、KITTI 2015ベンチマークにおけるすべての単分子的手法の中で、第1位にランクされ、Sintel Finalベンチマークで発表されたすべてのメソッドよりも優れています。
  論文  参考訳（メタデータ） (2021-06-08T09:13:34Z)
• Self-Adaptive Training: Bridging the Supervised and Self-Supervised Learning [16.765461276790944]
  自己適応型トレーニングは、追加の計算コストを課すことなく、モデル予測によってトレーニングプロセスを動的にキャリブレーションし、強化する統一型トレーニングアルゴリズムです。 ランダムノイズや敵対的な例など、破損したトレーニングデータの深層ネットワークのトレーニングダイナミクスを分析します。 分析の結果, モデル予測はデータ中の有用な情報量を拡大することが可能であり, 強調ラベル情報がない場合にも広く発生することがわかった。
  論文  参考訳（メタデータ） (2021-01-21T17:17:30Z)
• Towards Interpretable Deep Learning Models for Knowledge Tracing [62.75876617721375]
  本稿では,深層学習に基づく知識追跡(DLKT)モデルの解釈可能性問題に対処するポストホック手法を提案する。 具体的には、RNNに基づくDLKTモデルを解釈するために、レイヤワイズ関連伝搬法(LRP)を適用することに焦点をあてる。 実験結果から,DLKTモデルの予測をLRP法で解釈できることを示す。
  論文  参考訳（メタデータ） (2020-05-13T04:03:21Z)

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。