論文の概要: Incorporating Cognitive Load and Knowledge Transfer for Multi-Domain Knowledge Tracing

• arxiv url: http://arxiv.org/abs/2608.24005v1
• Date: Tue, 25 Aug 2026 02:50:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.765802
• Title: Incorporating Cognitive Load and Knowledge Transfer for Multi-Domain Knowledge Tracing
• Title（参考訳）: 多分野知識追跡のための認知負荷と知識伝達の併用
• Authors: Haotian Zhang, Shucun Wang, Jinze Wu, Liang Ding, Shuochen Liu, Zhenya Huang, Jing Sha, Shijin Wang, Qi Liu,
• Abstract要約: マルチドメイン知識追跡(LT-MKT)のための認知負荷と知識伝達を取り入れた新しい手法を提案する。 具体的には、独立したドメインをブリッジするために、LT-MKTはまず質問とその関連する概念からテキスト情報を統合し、マルチドメイン階層グラフを構築する。 これらの要因を共同でモデル化することにより、LT-MKTは学生の今後のパフォーマンスをより正確に予測できる。
• 参考スコア（独自算出の注目度）: 47.61633089692492
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge Tracing (KT) aims to assess students' dynamic knowledge states from their learning histories. While most existing KT methods focus on single-domain learning with notable success, real-world learning scenarios often involve multiple domains simultaneously, introducing two critical factors: 1) Cognitive load, arising from managing learning across domains in both temporal and knowledge dimensions. 2) Knowledge transfer, where knowledge states in one domain influence related states both within and across domains. In this paper, we focus on exploring these factors to improve students' knowledge state assessment in multi-domain learning scenarios and propose a novel method incorporating cognitive Load and knowledge Transfer for Multi-domain Knowledge Tracing (LT-MKT). Specifically, to bridge isolated domains, LT-MKT first integrates textual information from questions and their associated concepts to construct a Multi-domain Hierarchical Graph, leveraging the advanced representational capabilities of large language models (LLMs). Then, cross-domain features in both the temporal and knowledge dimensions are explicitly modeled to capture the effects of cognitive load. Additionally, a knowledge transfer module is designed to model the propagation of knowledge states within and across domains. By jointly modeling these factors, LT-MKT enables more accurate prediction of students' future performance. Finally, extensive experiments on real-world datasets demonstrate that our method achieves state-of-the-art performance.
• Abstract（参考訳）: 知識追跡(KT)は、学習履歴から学生の動的知識状態を評価することを目的としている。 既存のKTメソッドの多くは、顕著な成功を収めた単一ドメイン学習に重点を置いているが、現実の学習シナリオは、複数のドメインを同時に含み、以下の2つの重要な要素を導入している。 1)時間的・知識的両面でのドメイン間の学習管理から生じる認知的負荷。 2)知識の伝達 - あるドメイン内の知識状態がドメイン内およびドメイン間の関連状態に影響を与える場合。 本稿では,多分野学習シナリオにおける学生の知識状態評価を改善するために,これらの要因を検討することに注力し,多分野知識追跡のための認知的負荷・知識伝達(LT-MKT)を取り入れた新しい手法を提案する。 具体的には、独立したドメインをブリッジするために、LT-MKTはまず質問とその関連概念からテキスト情報を統合し、大規模言語モデル(LLM)の高度な表現能力を活用するマルチドメイン階層グラフを構築する。 次に、時間的および知識的次元のクロスドメイン特徴を明示的にモデル化し、認知的負荷の影響を捉える。 さらに、知識伝達モジュールは、ドメイン内およびドメイン間の知識状態の伝播をモデル化するように設計されている。 これらの要因を共同でモデル化することにより、LT-MKTは学生の今後のパフォーマンスをより正確に予測できる。 最後に、実世界のデータセットに関する広範な実験により、我々の手法が最先端の性能を達成することを示す。

関連論文リスト

• DyMRL: Dynamic Multispace Representation Learning for Multimodal Event Forecasting in Knowledge Graph [15.450478774839324]
  マルチモーダル時間的知識を効率的に獲得・融合する動的マルチスペース表現学習手法であるDyMRLを提案する。 我々はDyMRLが動的一乗法や静的多乗法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-03-25T09:45:16Z)
• Learning states enhanced knowledge tracing: Simulating the diversity in real-world learning process [16.472568558398482]
  知識追跡タスクは、歴史的相互作用に基づいて学習者の将来のパフォーマンスを予測することに焦点を当てる。 我々はLSKT(Learning State Enhanced Knowledge Tracing)という新しい手法を提案する。 4つの実世界のデータセットによる実験結果から,我々のLSKT法は現在の最先端手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-12-27T09:41:25Z)
• Domain Generalizable Knowledge Tracing via Concept Aggregation and Relation-Based Attention [10.95112067894146]
  本稿では,知識追跡のための領域一般化手法を提案する。 また,多様な領域からの学生同士の相互作用のシーケンスにおける概念格差を低減するために,概念集約アプローチを提案する。 運動情報を完全に活用するために,ドメイン一般化KTタスクに適した知識追跡モデルDGRKTを提案する。
  論文  参考訳（メタデータ） (2024-07-02T13:13:44Z)
• Generative Multi-Modal Knowledge Retrieval with Large Language Models [75.70313858231833]
  マルチモーダル知識検索のための革新的なエンドツーエンド生成フレームワークを提案する。 我々のフレームワークは,大規模言語モデル(LLM)が仮想知識ベースとして効果的に機能するという事実を生かしている。 強いベースラインと比較すると,すべての評価指標に対して3.0%から14.6%の大幅な改善が見られた。
  論文  参考訳（メタデータ） (2024-01-16T08:44:29Z)
• Recognizing Unseen Objects via Multimodal Intensive Knowledge Graph Propagation [68.13453771001522]
  画像の領域と対応するセマンティック埋め込みとをマッチングする多モード集中型ZSLフレームワークを提案する。 我々は、大規模な実世界のデータに基づいて、広範囲な実験を行い、そのモデルを評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:07:48Z)
• A Unified Continuous Learning Framework for Multi-modal Knowledge Discovery and Pre-training [73.7507857547549]
  本稿では,継続的学習フレームワークにおける知識発見とマルチモーダル事前学習の統合を提案する。 知識発見のために、事前訓練されたモデルを用いてグラフ上のクロスモーダルリンクを識別する。 モデル事前トレーニングでは、モデル更新をガイドする外部知識として知識グラフが使用される。
  論文  参考訳（メタデータ） (2022-06-11T16:05:06Z)
• A Quantitative Perspective on Values of Domain Knowledge for Machine Learning [27.84415856657607]
  様々な形式のドメイン知識は、学習性能を向上させる上で重要な役割を担っている。 本研究では,ドメイン知識の価値を学習性能への貢献の観点から定量化する問題について検討する。
  論文  参考訳（メタデータ） (2020-11-17T06:12:23Z)
• Domain Adaption for Knowledge Tracing [65.86619804954283]
  本稿では,DAKT問題に対処するための新しい適応型フレームワーク,すなわち知識追跡(AKT)を提案する。 まず,Deep Knowledge Trace(DKT)に基づく教育的特徴(スリップ,推測,質問文など)を取り入れ,優れた知識追跡モデルを得る。 第2の側面として、3つのドメイン適応プロセスを提案し、採用する。まず、ターゲットモデルトレーニングに有用なソースインスタンスを選択するために、自動エンコーダを事前訓練する。
  論文  参考訳（メタデータ） (2020-01-14T15:04:48Z)

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。