論文の概要: Disentangling Knowledge States with Ability and Proficiency Modeling for Knowledge Tracing

• arxiv url: http://arxiv.org/abs/2607.13103v1
• Date: Tue, 14 Jul 2026 09:11:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.532695
• Title: Disentangling Knowledge States with Ability and Proficiency Modeling for Knowledge Tracing
• Title（参考訳）: 知識追跡のための能力・熟練度モデリングによる知識状態の分散化
• Abstract要約: 知識追跡は、歴史相互作用から進化する知識状態をモデル化することで、学生の将来のパフォーマンスを予測することを目的としている。 我々は,学生のインタラクションを能力と熟練度に分解するKTフレームワークPAKTを提案する。 提案手法は, AUCが最大1.33%, 平均0.82%, 代表ベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 6.399286079325182
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge tracing (KT) aims to predict students' future performance by modeling their evolving knowledge states from historical interactions. Existing KT methods usually treat the raw interaction sequence as a unified behavioral process, overlooking the phase-specific nature of learning behaviors. Our preliminary observations show that students are more likely to correctly answer previously failed knowledge concepts after sufficient practice, suggesting a transition from ability-building to proficiency-oriented learning. Motivated by this, we propose Phase-Aware Knowledge Tracing (PAKT), a KT framework that decomposes student interactions into ability and proficiency phases based on the tailored decomposition mechanism. To effectively exploit the decomposed sequences, we design a multi-branch Transformer with a type-aware readout module to jointly capture phase-specific and holistic knowledge states. We further provide a causal analysis to reveal the confounding bias caused by entangling complex learning behaviors in phase-agnostic KT models. Extensive experiments on six public benchmarks demonstrate that our method consistently outperforms representative baselines, with a maximum AUC gain of 1.33% and an average gain of 0.82%.
• Abstract（参考訳）: 知識追跡(KT)は、歴史相互作用から進化する知識状態をモデル化することによって、学生の将来のパフォーマンスを予測することを目的としている。 既存のKT法は通常、学習行動の位相固有の性質を見越して、生の相互作用シーケンスを統一された行動過程として扱う。 予備的な観察では、学生は十分な練習をした後、失敗していた知識概念に正しく答える傾向が見られ、能力構築から熟練度指向の学習への移行が示唆された。 そこで本研究では, 学生同士のインタラクションを, 調整された分解機構に基づいて, 能力と習熟度に分解するKTフレームワークであるPAKTを提案する。 分割配列を効果的に活用するために,複数分岐変換器を設計し,位相固有および全体的知識状態の同時取得を行う。 さらに、位相に依存しないKTモデルにおいて、複雑な学習行動が絡み合うことによって生じる境界バイアスを明らかにするために因果解析を行う。 6つの公開ベンチマークにおいて、我々の手法はAUCの最大ゲイン1.33%、平均ゲイン0.82%で代表ベースラインを一貫して上回ることを示した。

関連論文リスト

• KeenKT: Knowledge Mastery-State Disambiguation for Knowledge Tracing [19.574988464365603]
  我々は知識追跡モデル(KeenKT)のための知識習得状態の曖昧さを提案する。 KeenKTは、正規-逆-ガウス分布(NIG)を用いて、各相互作用における学生の知識状態を表す。 6つの公開データセットの実験により、KienKTは予測精度と行動変動に対する感度の観点からSOTA KTモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2025-12-21T12:01:10Z)
• Understanding Catastrophic Interference: On the Identifibility of Latent Representations [67.05452287233122]
  破滅的な干渉、あるいは破滅的な忘れ(Caastrophic forgetting)は、機械学習の根本的な課題である。 本稿では,破滅的干渉を識別問題として定式化する新しい理論枠組みを提案する。 我々のアプローチは、合成データセットとベンチマークデータセットの両方で理論的保証と実用的なパフォーマンスの改善を提供する。
  論文  参考訳（メタデータ） (2025-09-27T00:53:32Z)
• Dynamic Programming Techniques for Enhancing Cognitive Representation in Knowledge Tracing [125.75923987618977]
  認知表現動的プログラミングに基づく知識追跡(CRDP-KT)モデルを提案する。 質問の難易度とそれらの間の性能間隔に基づいて認知表現を最適化する動的プログラミングアルゴリズムである。 これは、その後のモデルトレーニングのためにより正確で体系的な入力機能を提供し、それによって認知状態のシミュレーションにおける歪みを最小限にする。
  論文  参考訳（メタデータ） (2025-06-03T14:44:48Z)
• Improving Question Embeddings with Cognitive Representation Optimization for Knowledge Tracing [77.14348157016518]
  KTモデリングの研究は、既存の未更新の学生の相互作用の記録に基づいて、将来の学生のパフォーマンスを予測することに焦点を当てている。 動的プログラミングアルゴリズムを用いて認知表現の構造を最適化する知識追跡型認知表現最適化(CRO-KT)モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-05T09:32:03Z)
• 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)
• Uncertainty-aware Knowledge Tracing [2.8931305033614816]
  知識追跡(KT)は、学生の学習状態を描写し、生徒の教科の熟達度を評価することに焦点を当てた教育評価において重要である。 従来の研究では、学生の知識状態を捉えるための決定論的表現が一般的であり、学生の相互作用における不確実性を無視している。 本研究では,学生間相互作用の不確実性を表すために分布埋め込みを用いた不確実性認識知識追跡モデル(UKT)を提案する。
  論文  参考訳（メタデータ） (2025-01-09T18:17:27Z)

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。