論文の概要: Explainable Knowledge Tracing via Probabilistic Embeddings and Pattern-based Reasoning

• arxiv url: http://arxiv.org/abs/2605.09369v1
• Date: Sun, 10 May 2026 06:41:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.218281
• Title: Explainable Knowledge Tracing via Probabilistic Embeddings and Pattern-based Reasoning
• Title（参考訳）: 確率的埋め込みとパターンに基づく推論による説明可能な知識追跡
• Authors: Siyu Wu, Cong Xu, Wei Zhang,
• Abstract要約: 知識追跡(KT)は、学習相互作用に基づいて生徒の知識状態をモデル化し、パフォーマンスを予測する。 本稿では,歴史学習行動に対する予測を目的条件付き証拠推論プロセスとして定式化する,解釈可能なKTフレームワークである確率論理知識追跡(PLKT)を提案する。 PLKTは最先端のKT法より優れ、優れた解釈性を実現している。
• 参考スコア（独自算出の注目度）: 14.812722196795827
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge Tracing (KT) models students' knowledge states based on learning interactions to predict performance. While deep learning-based KT models have boosted predictive accuracy, most models rely on deterministic vector embeddings and opaque latent state transitions, limiting interpretability regarding how specific past behaviors influence predictions. To address this limitation, we propose Probabilistic Logical Knowledge Tracing (PLKT), an interpretable KT framework that formulates prediction as a goal-conditioned evidence reasoning process over historical learning behaviors. Instead of representing knowledge states as deterministic vector embeddings, PLKT employs robust Beta-distributed probabilistic embeddings to represent student knowledge states. This probabilistic foundation allows us to model the uncertainty of historical behaviors and perform explicit logical operations (e.g., conjunction), constructing transparent reasoning paths that reveal how specific past interactions contribute to the prediction. Extensive experiments show that PLKT outperforms state-of-the-art KT methods while achieving superior interpretability. Our code is available at https://anonymous.4open.science/r/PLKT-D3CE/.
• Abstract（参考訳）: 知識追跡(KT)は、学習相互作用に基づいて生徒の知識状態をモデル化し、パフォーマンスを予測する。 ディープラーニングベースのKTモデルは予測精度を高める一方で、ほとんどのモデルは決定論的ベクトル埋め込みと不透明な潜在状態遷移に依存しており、特定の過去の振る舞いが予測にどのように影響するかの解釈可能性を制限する。 この制限に対処するため,歴史学習行動に対する根拠推論プロセスとして予測を定式化する解釈可能なKTフレームワークである確率論理知識追跡(PLKT)を提案する。 PLKTは、知識状態を決定論的ベクトル埋め込みとして表現する代わりに、学生の知識状態を表現するために、頑健なベータ分散確率的埋め込みを用いている。 この確率論的基盤は、過去の行動の不確実性をモデル化し、明示的な論理的操作(例えば、協調)を実行し、特定の過去の相互作用が予測にどのように貢献するかを明らかにする透明な推論経路を構築することを可能にする。 PLKTは最先端のKT法より優れ,高い解釈性を実現している。 私たちのコードはhttps://anonymous.4open.science/r/PLKT-D3CE/で利用可能です。

関連論文リスト

• DASKT: A Dynamic Affect Simulation Method for Knowledge Tracing [51.665582274736785]
  KT(Knowledge Tracing)は,学生の履歴計算によって将来のパフォーマンスを予測し,学生の感情状態を理解することで,KTの有効性を高めることができる。 本研究では,学生の感情状態が知識状態に与える影響を調べるために,DASKT(Affect Dynamic Knowledge Tracing)を提案する。 我々の研究は、高い解釈可能性と精度の実現に焦点をあてて、今後の研究への有望な道のりを強調している。
  論文  参考訳（メタデータ） (2025-01-18T10:02:10Z)
• Selective Temporal Knowledge Graph Reasoning [70.11788354442218]
  時間的知識グラフ(TKG)は、与えられた歴史的事実に基づいて将来の事実を予測することを目的としている。 既存のTKG推論モデルは、不確実な予測を控えることができない。 本稿では,既存のモデルが無差別な予測ではなく選択的に行うのに役立つ,TKG推論の棄却機構を提案する。
  論文  参考訳（メタデータ） (2024-04-02T06:56:21Z)
• Temporal Knowledge Graph Forecasting Without Knowledge Using In-Context Learning [23.971206470486468]
  本稿では,関連する歴史的事実をプロンプトに変換し,トークン確率を用いてランキング予測を生成する枠組みを提案する。 驚いたことに、LLMは最先端のTKGモデルと同等に動作している。 また,エンティティ/リレーション名の代わりに数値指標を用いると,性能に悪影響を及ぼさないことも判明した。
  論文  参考訳（メタデータ） (2023-05-17T23:50:28Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Improving Interpretability of Deep Sequential Knowledge Tracing Models with Question-centric Cognitive Representations [22.055683237994696]
  上記の課題に対処する質問中心の解釈可能なKTモデルQIKTを提案する。 提案したQIKTアプローチは、学生の知識状態の変動をきめ細かいレベルで明示的にモデル化する。 より優れたモデル解釈性を備えた予測精度で、幅広いディープラーニングベースのKTモデルより優れています。
  論文  参考訳（メタデータ） (2023-02-14T08:14:30Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Enhancing Knowledge Tracing via Adversarial Training [5.461665809706664]
  本研究では,学生の知識習得を時間とともに追跡することを目的とした知識追跡問題(KT)について検討する。 KTの最近の進歩は、KTの性能を改善するためにディープニューラルネットワーク(DNN)の探索に集中している。 我々は,効率的なATベースKT法(ATKT)を提案し,KTモデルの一般化を強化し,KTの限界を推し進める。
  論文  参考訳（メタデータ） (2021-08-10T03:35:13Z)
• Context-Aware Attentive Knowledge Tracing [21.397976659857793]
  本稿では、フレキシブルアテンションに基づくニューラルネットワークモデルと、新しい解釈可能なモデルコンポーネントを結合した注意知識追跡手法を提案する。 AKTは、学習者の将来の応答と過去の応答に対する評価質問を関連付ける新しいモノトニックアテンションメカニズムを使用する。 AKT は,既存の KT 手法(場合によっては AUC で最大6% 以上)よりも,将来の学習者応答の予測に優れることを示す。
  論文  参考訳（メタデータ） (2020-07-24T02:45:43Z)
• 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。