論文の概要: KT4EQG: Personalized Exercise Question Generation via Knowledge Tracing
- arxiv url: http://arxiv.org/abs/2605.23933v2
- Date: Wed, 27 May 2026 11:48:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 02:55:42.946149
- Title: KT4EQG: Personalized Exercise Question Generation via Knowledge Tracing
- Title（参考訳）: KT4EQG:知識追跡による個人化されたエクササイズ質問生成
- Abstract要約: 教育質問生成(EQG)は、生徒の学習を促進するために、カスタマイズされた運動質問を合成することを目的としている。
効果的なEQGシステムは、学生の知識状態をモデル化し、最大の学習効果をもたらす質問を生成することにより、学生ごとの質問を理想的にパーソナライズする。
KT4EQGは,KTモデルの指導のもと,個別の学生に対して効果的な質問を生成する,個別のEQGフレームワークである。
- 参考スコア（独自算出の注目度）: 49.527882446935884
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Educational Question Generation (EQG) aims to synthesize customized exercise questions that enhance student learning. An effective EQG system should ideally personalize questions for each student by modeling the student's knowledge state and generating questions that provide the greatest learning benefit. However, few existing EQG approaches are able to achieve such fine-grained personalization. In this paper, we explore how EQG can benefit from knowledge tracing (KT), which models students' knowledge states based on historical performance and predicts future performance. We propose KT4EQG, a personalized EQG framework that generates effective questions for individual students under the guidance of a KT model. Specifically, KT4EQG seeks to maximize a student's potential improvement in overall knowledge mastery by leveraging the KT model to select the most suitable knowledge concept for the student to practice. An LLM-based question generator is then trained to produce a question faithfully grounded in the selected concept. Experimental results on XES3G5M and MOOCRadar show that KT4EQG consistently generates more effective questions than methods with limited or no personalization.
- Abstract（参考訳）: 教育質問生成(EQG)は、生徒の学習を促進するために、カスタマイズされた運動質問を合成することを目的としている。
効果的なEQGシステムは、学生の知識状態をモデル化し、最大の学習効果をもたらす質問を生成することにより、学生ごとの質問を理想的にパーソナライズする。
しかし、そのような細かいパーソナライズを達成できる既存のEQGアプローチはほとんどない。
本稿では,EQGが知識追跡(KT)の恩恵を受けるかを検討する。
KT4EQGは,KTモデルの指導のもと,個別の学生に対して効果的な質問を生成する,個別のEQGフレームワークである。
具体的には、KT4EQGは、KTモデルを利用して、学生が実践するのに最も適した知識概念を選択することにより、学生の全体的な知識習得における潜在的な改善を最大化しようとする。
LLMベースの質問生成器は、選択された概念に忠実に根ざした質問を生成するために訓練される。
XES3G5M と MOOCRadar の実験結果から、KT4EQG はパーソナライゼーションが限定的あるいは全くない手法よりも、より効果的な質問を一貫して生成していることが示された。
関連論文リスト
- Automatic Question & Answer Generation Using Generative Large Language Model (LLM) [0.0]
本研究では,NLPにおける教師なし学習手法の活用を提案する。
カスタマイズされたモデルは、教育者、インストラクター、テキストベースの評価に従事する個人に対して効率的なソリューションを提供する。
論文 参考訳（メタデータ） (2025-08-26T23:36:13Z) - TutorLLM: Customizing Learning Recommendations with Knowledge Tracing and Retrieval-Augmented Generation [44.18659233932457]
TutorLLMは、知識追跡(KT)と検索補助生成(RAG)に基づくパーソナライズされた学習推薦システムである。
TutorLLMの斬新さは、コンテキスト固有の知識の動的検索を可能にする、KTとRAGの技法とLLMのユニークな組み合わせにある。
評価には、ユーザアセスメントのアンケートとパフォーマンス指標が含まれ、ユーザの満足度が10%向上したことを示す。
論文 参考訳（メタデータ） (2025-01-20T21:18:43Z) - KBAlign: Efficient Self Adaptation on Specific Knowledge Bases [73.34893326181046]
本稿では,効率的なモデル適応によりRAGシステムを強化する自己教師型フレームワークKBAlignを提案する。
私たちのキーとなる洞察は、2つの革新的なメカニズムを通じて、モデルの本質的な能力を知識の整合性に活用することです。
KBAlign は GPT-4 による適応によって得られる性能向上の90%を達成できることを示した。
論文 参考訳（メタデータ） (2024-11-22T08:21:03Z) - Automated Knowledge Concept Annotation and Question Representation Learning for Knowledge Tracing [59.480951050911436]
自動知識概念アノテーションと質問表現学習のためのフレームワークであるKCQRLを提案する。
実世界の2つの学習データセット上で、15KTアルゴリズムにまたがるKCQRLの有効性を実証する。
論文 参考訳（メタデータ） (2024-10-02T16:37:19Z) - SINKT: A Structure-Aware Inductive Knowledge Tracing Model with Large Language Model [64.92472567841105]
知識追跡(KT)は、学生が次の質問に正しく答えるかどうかを判断することを目的としている。
大規模言語モデルを用いた構造認識帰納的知識追跡モデル(SINKT)
SINKTは、学生の知識状態と質問表現とを相互作用させることで、対象の質問に対する学生の反応を予測する。
論文 参考訳（メタデータ） (2024-07-01T12:44:52Z) - Student Answer Forecasting: Transformer-Driven Answer Choice Prediction for Language Learning [2.8887520199545187]
近年の研究では、学生の特定の解答選択に対するパフォーマンスよりも、解答の正しさに焦点が当てられている。
MCQStudentBertは,学生の回答履歴の文脈的理解と質問や回答のテキストを統合した回答予測モデルである。
この作業は、よりパーソナライズされたコンテンツ、モジュール化、そして粒度の細かいサポートへの扉を開く。
論文 参考訳（メタデータ） (2024-05-30T14:09:43Z) - A Knowledge-Injected Curriculum Pretraining Framework for Question Answering [70.13026036388794]
本稿では,知識に基づく質問応答タスクの総合的なKG学習と活用を実現するための一般知識注入型カリキュラム事前学習フレームワーク(KICP)を提案する。
KIモジュールはまずKG中心の事前学習コーパスを生成してLMに知識を注入し、プロセスを3つの重要なステップに一般化する。
KAモジュールは、アダプタを備えたLMで生成されたコーパスから知識を学習し、元の自然言語理解能力を維持できる。
CRモジュールは人間の推論パターンに従って3つのコーパスを構築する。
論文 参考訳（メタデータ） (2024-03-11T03:42:03Z) - UKP-SQuARE: An Interactive Tool for Teaching Question Answering [61.93372227117229]
質問応答の指数的増加(QA)は、あらゆる自然言語処理(NLP)コースにおいて必須のトピックとなっている。
本稿では、QA教育のプラットフォームとしてUKP-SQuAREを紹介する。
学生は様々な視点から様々なQAモデルを実行、比較、分析することができる。
論文 参考訳（メタデータ） (2023-05-31T11:29:04Z) - Attentive Q-Matrix Learning for Knowledge Tracing [4.863310073296471]
エンド・ツー・エンド・エンド・スタイルのモデルとして,Q-matrix-based Attentive Knowledge Tracing (QAKT)を提案する。
QAKTは、問題を階層的にモデル化し、生徒のシーケンスに基づいてq行列を効率的に学習することができる。
さらなる実験の結果、QAKTによって学習されたq行列は、人間の専門家によってラベル付けされたものよりも非常にモデルに依存し、情報に十分であることが示唆された。
論文 参考訳（メタデータ） (2023-04-06T12:31:34Z) - Prophet: Prompting Large Language Models with Complementary Answer Heuristics for Knowledge-based Visual Question Answering [28.763437313766996]
知識に基づく視覚的質問応答(VQA)は、質問に答えるために、画像以外の外部知識を必要とする。
近年の研究では,暗黙の知識エンジンとして強力な大規模言語モデル (LLM) を用いることで,回答に必要な知識を獲得している。
Prophet - 知識に基づくVQAの解答を促すために設計された,概念的にシンプルで柔軟な,汎用的なフレームワーク。
論文 参考訳（メタデータ） (2023-03-03T13:05:15Z) - Differentiating Student Feedbacks for Knowledge Tracing [28.669001606806525]
本稿では,訓練における評価に基づいて,様々な反応の寄与を再重み付けする枠組みを提案する。
また,判別応答の少ない精度を維持するために,適応的な予測スコア融合手法を導入する。
論文 参考訳（メタデータ） (2022-12-16T13:55:07Z) - Knowledge-driven Data Construction for Zero-shot Evaluation in
Commonsense Question Answering [80.60605604261416]
本稿では,共通認識課題にまたがるゼロショット質問応答のための新しいニューラルシンボリック・フレームワークを提案する。
言語モデル、トレーニング体制、知識ソース、データ生成戦略のセットを変えて、タスク間の影響を測定します。
個別の知識グラフは特定のタスクに適しているが、グローバルな知識グラフはさまざまなタスクに対して一貫した利得をもたらす。
論文 参考訳（メタデータ） (2020-11-07T22:52:21Z)
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。