論文の概要: Estimating Learners' Skill Acquisition Without Temporal Information
- arxiv url: http://arxiv.org/abs/2606.20611v1
- Date: Fri, 22 May 2026 13:53:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 23:17:10.812177
- Title: Estimating Learners' Skill Acquisition Without Temporal Information
- Title（参考訳）: 時間的情報のない学習者のスキル習得度の推定
- Abstract要約: 本稿では,スナップショットデータのみを用いて,将来的なスキル獲得を予測するための新しいフレームワークを提案する。
本研究では,学習者のスキルセット間の包摂関係を利用して擬似時間的順序付けを誘導し,拡大するスキルセットを学習進行のプロキシとして解釈する。
- 参考スコア（独自算出の注目度）: 13.095290780228765
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent research in educational data mining, especially knowledge tracing, has focused on predicting learners' future knowledge states to support adaptive instruction. However, in many real-world educational settings, learning data are often available only as single-time-point assessments without temporal information, making existing time-series-based approaches difficult to apply. In this paper, we propose a novel framework for predicting future skill acquisition using only snapshot data. Specifically, we address the problem of predicting the next skill to be acquired from skill mastery patterns estimated by cognitive diagnostic models (CDMs). In the absence of temporal information, we exploit inclusion relations among learners' skill sets to induce a pseudo-temporal ordering, interpreting expanding skill sets as a proxy for learning progression. To efficiently approximate unobserved acquisition paths, we introduce a neural model that captures latent skill acquisition dynamics through expected skill increments. Experiments on both synthetic and real-world datasets demonstrate that the proposed method consistently outperforms baseline approaches, with particularly strong advantages as the skill space becomes larger. These results indicate that meaningful skill acquisition patterns can be inferred from snapshot data alone, providing a practical framework for adaptive learning support in data-constrained educational environments.
- Abstract（参考訳）: 近年の教育データマイニング、特に知識追跡の研究は、学習者の将来の知識状態を予測して適応的な指導を支援することに焦点を当てている。
しかし、実世界の多くの教育環境において、学習データは時間的情報のない単一時点評価としてのみ利用可能であり、既存の時系列ベースのアプローチの適用は困難である。
本稿では,スナップショットデータのみを用いて,将来的なスキル獲得を予測するための新しいフレームワークを提案する。
具体的には,認知診断モデル(CDM)によって推定されるスキル熟達パターンから,次のスキルの獲得を予測できる問題に対処する。
時間的情報がない場合、学習者のスキルセット間の包摂関係を利用して擬似時間的順序付けを誘導し、拡大するスキルセットを学習進行のプロキシとして解釈する。
未観測の獲得経路を効率的に近似するために,期待されるスキルインクリメントを通じて潜在スキル獲得ダイナミクスをキャプチャするニューラルモデルを提案する。
合成と実世界の両方のデータセットの実験により、提案手法は、スキル空間が大きくなるにつれて、特に強力なアドバンテージを持つベースラインアプローチを一貫して上回ることを示した。
これらの結果は、データ制約のある教育環境において、適応学習支援のための実践的なフレームワークを提供するために、スナップショットデータのみから有意義なスキル獲得パターンを推定できることを示唆している。
関連論文リスト
- TimeRAF: Retrieval-Augmented Foundation model for Zero-shot Time Series Forecasting [59.702504386429126]
TimeRAFは検索拡張技術によるゼロショット時系列予測を強化する検索拡張予測モデルである。
TimeRAFは、エンド・ツー・エンドの学習可能なレトリバーを使用して、知識ベースから貴重な情報を抽出する。
論文 参考訳（メタデータ） (2024-12-30T09:06:47Z) - 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) - Embedding-Informed Adaptive Retrieval-Augmented Generation of Large Language Models [37.02290559379761]
Retrieval-augmented large language model (LLMs) は、様々なNLPタスクにおいて非常に有能である。
このことに動機づけられた、適応検索拡張生成(ARAG)研究は、クエリによって要求される知識が LLM に欠如している場合にのみ検索する。
論文 参考訳（メタデータ） (2024-04-04T15:21:22Z) - A Survey to Recent Progress Towards Understanding In-Context Learning [37.933016939520684]
In-Context Learning (ICL) は、プロンプトで提供されるいくつかの例から学ぶことができる大規模言語モデル(LLM)を強化する。
実証的な成功にもかかわらず、ICLの根底にあるメカニズムはいまだ不明である。
論文 参考訳（メタデータ） (2024-02-03T17:13:03Z) - PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [65.57123249246358]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。
一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。
一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文 参考訳（メタデータ） (2023-09-13T17:55:11Z) - Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。
対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。
本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
論文 参考訳（メタデータ） (2023-03-21T15:02:50Z) - Informed Priors for Knowledge Integration in Trajectory Prediction [0.225596179391365]
本稿では,連続学習に基づく情報機械学習手法を提案する。
これにより、任意の事前知識を複数のソースから統合することができ、特定のアーキテクチャを必要としない。
我々は、自律運転のための最先端の軌道予測器に適用することで、我々のアプローチを実証する。
論文 参考訳（メタデータ） (2022-11-01T09:37:14Z) - Learning and Retrieval from Prior Data for Skill-based Imitation
Learning [47.59794569496233]
従来のデータから時間的に拡張された感触者スキルを抽出する,スキルベースの模倣学習フレームワークを開発した。
新規タスクの性能を著しく向上させる重要な設計選択をいくつか挙げる。
論文 参考訳（メタデータ） (2022-10-20T17:34:59Z) - Schema-aware Reference as Prompt Improves Data-Efficient Knowledge Graph
Construction [57.854498238624366]
本稿では,データ効率のよい知識グラフ構築のためのRAP(Schema-Aware Reference As Prompt)の検索手法を提案する。
RAPは、人間の注釈付きおよび弱教師付きデータから受け継いだスキーマと知識を、各サンプルのプロンプトとして動的に活用することができる。
論文 参考訳（メタデータ） (2022-10-19T16:40:28Z) - Using Time-Series Privileged Information for Provably Efficient Learning
of Prediction Models [6.7015527471908625]
本研究では,学習中に特権情報を利用する教師付きモデルを用いて,今後の成果を予測する。
特権情報は、予測の基準時間と将来の結果の間に観察される時系列のサンプルを含む。
我々のアプローチは、特にデータが不足している場合に、古典的な学習よりも好まれることを示す。
論文 参考訳（メタデータ） (2021-10-28T10:07:29Z) - Low-Regret Active learning [64.36270166907788]
トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。
私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
論文 参考訳（メタデータ） (2021-04-06T22:53:45Z)
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。