論文の概要: RAG-KT: Cross-platform Explainable Knowledge Tracing with Multi-view Fusion Retrieval Generation

• arxiv url: http://arxiv.org/abs/2604.10960v2
• Date: Wed, 22 Apr 2026 10:28:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.144503
• Title: RAG-KT: Cross-platform Explainable Knowledge Tracing with Multi-view Fusion Retrieval Generation
• Title（参考訳）: RAG-KT:多視点融合検索生成によるクロスプラットフォーム説明可能な知識トレース
• Authors: Zhiyi Duan, Hongyu Yuan, Rui Liu,
• Abstract要約: 知識追跡は、過去のインタラクションから学生の知識状態を推測し、将来のパフォーマンスを予測する。 RAG-KTは、信頼性のあるコンテキスト制約付き推論としてクロスプラットフォームKTをフレーム化する検索拡張パラダイムである。 3つのパブリックKTベンチマークの実験では、精度と堅牢性が一貫した向上を示した。
• 参考スコア（独自算出の注目度）: 3.443835365258646
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge Tracing (KT) infers a student's knowledge state from past interactions to predict future performance. Conventional Deep Learning (DL)-based KT models are typically tied to platform-specific identifiers and latent representations, making them hard to transfer and interpret. Large Language Model (LLM)-based methods can be either ungrounded under prompting or overly domain-dependent under fine-tuning. In addition, most existing KT methods are developed and evaluated under a same-distribution assumption. In real deployments, educational data often arise from heterogeneous platforms with substantial distribution shift, which often degrades generalization. To this end, we propose RAG-KT, a retrieval-augmented paradigm that frames cross-platform KT as reliable context constrained inference with LLMs. It builds a unified multi-source structured context with cross-source alignment via Question Group abstractions and retrieves complementary rich and reliable context for each prediction, enabling grounded prediction and interpretable diagnosis. Experiments on three public KT benchmarks demonstrate consistent gains in accuracy and robustness, including strong performance under cross-platform conditions.
• Abstract（参考訳）: 知識追跡(KT)は、過去のインタラクションから学生の知識状態を推定し、将来のパフォーマンスを予測する。 従来のディープラーニング(DL)ベースのKTモデルは、プラットフォーム固有の識別子や潜在表現と結びついているので、転送や解釈が難しい。 LLM(Large Language Model)ベースのメソッドは、プロンプトまたは過剰にドメインに依存した微調整の下で、アングラウンド化することができる。 さらに、既存のほとんどのKT法は、同じ分布仮定の下で開発・評価されている。 実際のデプロイメントでは、教育データは大きな分散シフトを持つ異種プラットフォームから生じることが多く、一般化が低下することが多い。 そこで本研究では,LLMを用いた信頼性コンテキスト制約推論として,クロスプラットフォームKTをフレーム化した検索拡張パラダイムであるRAG-KTを提案する。 問合せグループ抽象化によるクロスソースアライメントを備えた統一されたマルチソース構造化コンテキストを構築し、各予測に対して補完的なリッチで信頼性の高いコンテキストを検索し、基底的予測と解釈可能な診断を可能にする。 3つのパブリックKTベンチマークの実験では、クロスプラットフォーム条件下での強いパフォーマンスを含む、精度と堅牢性の一貫性のある向上が示されている。

関連論文リスト

• Beyond Statistical Co-occurrence: Unlocking Intrinsic Semantics for Tabular Data Clustering [52.97486694817375]
  本稿では,TagCC(Tabular-Augmented Contrastive Clustering)を提案する。 TagCCは、セマンティック・アウェア・トランスフォーメーションを通じて、基礎となるデータセマンティクスをテキストアンカーに蒸留する。 クラスタリングの目的と共同で最適化されており、学習した表現がセマンティックに一貫性があり、クラスタリングに親しみやすいことを保証する。
  論文  参考訳（メタデータ） (2026-04-13T00:25:22Z)
• Trust in One Round: Confidence Estimation for Large Language Models via Structural Signals [13.89434979851652]
  大規模言語モデル(LLM)は、エラーが社会的、科学的、安全コストの高い領域にますます展開されている。 本稿では,出力の正確性を予測する単一パスモデル依存フレームワークであるStructure Confidenceを提案する。
  論文  参考訳（メタデータ） (2026-02-01T02:35:59Z)
• Graph Data Augmentation with Contrastive Learning on Covariate Distribution Shift [8.379286663107846]
  コントラスト学習を用いたより強力な適応不変量拡張のためのMPAIACLを提案する。 MPAIACLは、本質的な情報を活用することにより、対照的な学習を活用してベクトル表現の完全なポテンシャルを解き放つ。 MPAIACLはその堅牢な一般化と有効性を示し、他のベースラインとよく比較できる。
  論文  参考訳（メタデータ） (2025-11-30T03:58:55Z)
• AdvKT: An Adversarial Multi-Step Training Framework for Knowledge Tracing [64.79967583649407]
  知識追跡(KT)は、学生の知識状態を監視し、質問シーケンスに対する反応をシミュレートする。 既存のKTモデルは通常、単一ステップのトレーニングパラダイムに従っており、大きなエラーの蓄積につながる。 本稿では,多段階KTタスクに着目した新しい知識追跡のための多段階学習フレームワーク(AdvKT)を提案する。
  論文  参考訳（メタデータ） (2025-04-07T03:31:57Z)
• Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning [80.44084021062105]
  本稿では,非方向エッジで連結された2つの潜在結合変数を特徴とする,多モーダルデータに対する新しい潜在部分因果モデルを提案する。 特定の統計的仮定の下では、多モーダル・コントラッシブ・ラーニングによって学習された表現が、自明な変換までの潜在結合変数に対応することを示す。 事前トレーニングされたCLIPモデルの実験は、非絡み合った表現を具現化し、数ショットの学習を可能にし、さまざまな現実世界のデータセットにわたるドメインの一般化を改善する。
  論文  参考訳（メタデータ） (2024-02-09T07:18:06Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• Feature Correlation-guided Knowledge Transfer for Federated Self-supervised Learning [19.505644178449046]
  特徴相関に基づくアグリゲーション(FedFoA)を用いたフェデレーション型自己教師型学習法を提案する。 私たちの洞察は、機能相関を利用して、特徴マッピングを整列し、ローカルトレーニングプロセス中にクライアント間でローカルモデルの更新を校正することにあります。 我々はFedFoAがモデルに依存しないトレーニングフレームワークであることを証明する。
  論文  参考訳（メタデータ） (2022-11-14T13:59:50Z)
• pyKT: A Python Library to Benchmark Deep Learning based Knowledge Tracing Models [46.05383477261115]
  知識追跡(KT)は、学生の履歴学習インタラクションデータを用いて、時間とともに知識の熟達をモデル化するタスクである。 DLKTアプローチはいまだに不明であり、これらのアプローチの適切な測定と分析は依然として課題である。 我々は、DLKTメソッド間の有効な比較を保証するために、包括的なpythonベースのベンチマークプラットフォームであるtextscpyKTを導入する。
  論文  参考訳（メタデータ） (2022-06-23T02:42:47Z)

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。