論文の概要: StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracing

• arxiv url: http://arxiv.org/abs/2605.23048v1
• Date: Thu, 21 May 2026 21:27:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.105395
• Title: StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracing
• Title（参考訳）: StanBKT:ベイズ知識追跡におけるパラメータ推定の再考
• Authors: Siddhartha Pradhan, Yanping Pei, Morgan Lee, Puyuan Zhang, Erin Ottmar, Adam C. Sales,
• Abstract要約: 我々は,ベイジアン知識追跡モデルを推定するオープンソースPythonパッケージであるStanBKTを紹介する。 StanBKTは、ハミルトンモンテカルロ、変分推論、パスファインダー、最適化に基づく推定をサポートする統一的なフレームワークを提供する。 我々はStanBKTを大規模観測および制御された教育データセット上で評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Bayesian Knowledge Tracing (BKT) is a widely used and interpretable student modeling approach in intelligent tutoring systems and educational data mining. However, most implementations rely on expectation-maximization or related optimization methods that yield only point estimates, limiting uncertainty quantification and principled comparisons across learners and conditions. We introduce StanBKT, an open-source Python package for estimating BKT models using Bayesian inference in Stan. StanBKT provides a unified framework supporting Hamiltonian Monte Carlo, variational inference, Pathfinder, and optimization-based estimation while preserving the hidden Markov structure and interpretability of classical BKT. It supports standard, grouped, and hierarchical BKT models, flexible prior specification, posterior predictive inference, and utilities for visualization and diagnostics. We evaluate StanBKT on large-scale observational and controlled educational datasets. On the ASSISTments 2020 dataset, we show that supported inference methods achieve comparable predictive performance while differing in computational efficiency and posterior fidelity. We further demonstrate how posterior inference enables principled comparison of condition-specific parameters in an educational intervention involving perceptual cue manipulations. Results illustrate how uncertainty quantification facilitates more reliable interpretation of differences in learning, forgetting, guessing, and slipping parameters across experimental conditions. Overall, StanBKT extends BKT beyond point estimation by providing a flexible framework for probabilistic student modeling, uncertainty quantification, and hierarchical inference in educational data mining.
• Abstract（参考訳）: ベイズ知識追跡(Bayesian Knowledge Tracing, BKT)は、知的チューリングシステムや教育データマイニングにおいて広く用いられ、解釈可能な学生モデリング手法である。 しかし、ほとんどの実装は期待最大化または関連する最適化手法に依存しており、点推定のみを出力し、不確実な定量化を制限し、学習者や条件間での原理的な比較を制限している。 我々はStanでベイズ推論を用いてBKTモデルを推定するためのオープンソースのPythonパッケージであるStanBKTを紹介する。 StanBKTは、古典的BKTの隠れマルコフ構造と解釈可能性を維持しつつ、ハミルトンモンテカルロ、変分推論、パスファインダー、最適化に基づく推定をサポートする統一的なフレームワークを提供する。 標準、グループ化、階層的なBKTモデル、フレキシブルな事前仕様、後方予測推論、可視化と診断のためのユーティリティをサポートする。 我々はStanBKTを大規模観測および制御された教育データセット上で評価する。 ASSISTments 2020データセットでは,計算効率と後部忠実度に差がみられながら,サポート対象の推論手法が同等の予測性能を達成できることが示されている。 さらに、後部推論が、知覚的キュー操作を含む教育介入において、条件特化パラメータの原則的比較を可能にするかを示す。 その結果、不確かさの定量化が学習、忘れ、推測、および実験条件におけるパラメータのずれのより信頼性の高い解釈をいかに促進するかが示される。 全体として、StanBKTは、確率的学生モデリング、不確実性定量化、および教育データマイニングにおける階層的推論のための柔軟なフレームワークを提供することで、点推定を超えてBKTを拡張している。

関連論文リスト

• Explainable Knowledge Tracing via Probabilistic Embeddings and Pattern-based Reasoning [14.812722196795827]
  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。
  論文  参考訳（メタデータ） (2026-05-10T06:41:58Z)
• STAR : Bridging Statistical and Agentic Reasoning for Large Model Performance Prediction [78.0692157478247]
  本稿では,知識駆動型エージェント推論を用いて,データ駆動型静的予測を橋渡しするフレームワークSTARを提案する。 STARはスコアベースとランクベースの両方の基準線を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-12T16:30:07Z)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Beyond mirkwood: Enhancing SED Modeling with Conformal Predictions [0.0]
  SEDフィッティングにおける柔軟性と不確実性を向上する,高度な機械学習ベースのアプローチを提案する。 我々は、整合化量子レグレッションを組み込んで、点予測をエラーバーに変換し、解釈可能性と信頼性を向上させる。
  論文  参考訳（メタデータ） (2023-12-21T11:27:20Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Boosted Control Functions: Distribution generalization and invariance in confounded models [10.503777692702952]
  非線形で非同定可能な構造関数が存在する場合でも分布の一般化を可能にする不変性という強い概念を導入する。 フレキシブルな機械学習手法を用いて,ブースト制御関数(BCF)を推定する制御Twicingアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-09T15:43:46Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• 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)
• Causality and Generalizability: Identifiability and Learning Methods [0.0]
  この論文は、因果効果の推定、因果構造学習、および分布的に堅牢な予測方法に関する研究領域に寄与する。 本稿では,データ依存平均二乗予測誤差正規化を用いた機器変数設定における線形・非線形因果関係推定器について述べる。 本稿では,介入誘起分布に関する分布ロバスト性に関する一般的な枠組みを提案する。
  論文  参考訳（メタデータ） (2021-10-04T13:12:11Z)
• DiBS: Differentiable Bayesian Structure Learning [38.01659425023988]
  ベイズ構造学習(DiBS)のための汎用的で完全に微分可能なフレームワークを提案する。 DiBSは潜在確率グラフ表現の連続空間で動作する。 既存の研究とは対照的に、DiBSは局所的な条件分布の形式に依存しない。
  論文  参考訳（メタデータ） (2021-05-25T11:23:08Z)

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。