論文の概要: Beyond ID Embeddings: Process-Grounded Language Modeling for Cognitive Diagnosis
- arxiv url: http://arxiv.org/abs/2609.12403v1
- Date: Fri, 11 Sep 2026 03:51:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.601286
- Title: Beyond ID Embeddings: Process-Grounded Language Modeling for Cognitive Diagnosis
- Title（参考訳）: ID埋め込みを超えて:認知診断のためのプロセス中心言語モデリング
- Abstract要約: プロセス認識言語認知診断(PLCD)フレームワークは、言語から派生した構造を認知の先行点として使用し、学生の後方状態を校正するための応答記録を使用する。
PLCDは、学生のパフォーマンス予測において従来のベースラインを上回るだけでなく、認知伝達能力も高い。
- 参考スコア（独自算出の注目度）: 77.02066500576528
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cognitive Diagnosis Models (CDMs) play a pivotal role in personalized online learning. Traditional CDMs rely on discrete, ID-based embeddings to represent students, exercises, and concepts. This paradigm diverges from the nature of learner cognition, where knowledge is not stored and retrieved as isolated symbols. As a result, CDMs suffer from semantic limitations when new exercises or concepts appear. In this paper, we propose a Process-aware Language Cognitive Diagnosis (PLCD) framework that uses language-derived structures as cognitive priors and response records to calibrate student posterior states. PLCD leverages large language models (LLMs) to construct concept schemas and cognitive process graphs, and uses target-conditioned semantic memory to retrieve historical responses that are relevant to each target exercise. A process-grounded Language-to-Cognition Mapper with DA-MoE experts and process-level contrastive learning then maps the textual evidence into a unified cognitive space. Experimental results show that PLCD not only outperforms traditional baselines in predicting student performance but also exhibits strong cognitive transfer capabilities. These results connect the computational power of LLMs with the psychometric goal of measuring latent knowledge states, suggesting that structured language priors calibrated by response records can improve cold-start robustness and cognitive grounding.
- Abstract（参考訳）: 認知診断モデル(CDM)は、パーソナライズされたオンライン学習において重要な役割を果たす。
伝統的なCDMは、学生、運動、概念を表現するために、個別のIDベースの埋め込みに依存している。
このパラダイムは、知識が保存されず、孤立したシンボルとして回収される学習者認知の性質から分岐する。
結果として、CDMは、新しいエクササイズや概念が現れたとき、意味的な制限に悩まされる。
本稿では,言語由来の構造を認知の先行点として用いたプロセス認識型言語認知診断(PLCD)フレームワークと,学生後部状態を校正するための応答記録を提案する。
PLCDは、概念スキーマと認知プロセスグラフを構築するために大きな言語モデル(LLM)を活用し、ターゲット条件のセマンティックメモリを使用して、それぞれの目標エクササイズに関連する履歴応答を検索する。
DA-MoEの専門家とプロセスレベルのコントラスト学習を備えたプロセス基底のLanguage-to-Cognition Mapperは、テキスト証拠を統一された認知空間にマッピングする。
実験の結果,PLCDは学生の成績を予測する上で,従来のベースラインよりも優れており,認知伝達能力も高いことがわかった。
これらの結果は, LLMの計算能力と, 潜在知識状態を測定するための心理測定目標を結びつけ, 応答記録によって校正された構造化言語が, コールドスタートの頑健性と認知基盤を改善することを示唆している。
関連論文リスト
- Towards LLM-Empowered Knowledge Tracing via LLM-Student Hierarchical Behavior Alignment in Hyperbolic Space [24.868649493405528]
知識追跡(KT)は、教育における継続的な学習状態のモニタリングを通じて、学生の概念を診断する。
既存の方法は、IDベースのシーケンスや浅いテキスト機能に依存している。
本稿では,大規模言語モデルハイパーボリックな知識追跡フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-26T11:17:31Z) - Toward Cognitive Supersensing in Multimodal Large Language Model [67.15559571626747]
我々は,MLLMに人間のような視覚的特徴を付与する訓練パラダイムであるCognitive Supersensingを紹介する。
実験では、CogSense-BenchでCognitive Supersensingを訓練したMLLMが、最先端のベースラインを大きく上回った。
私たちはCogSense-Benchとモデルウェイトをオープンソースにします。
論文 参考訳（メタデータ） (2026-02-02T02:19:50Z) - Individualized Cognitive Simulation in Large Language Models: Evaluating Different Cognitive Representation Methods [36.28947625215469]
大型言語モデル(LLM)はロールプレイのような表面レベルの人間の振る舞いを確実に模倣する。
しかし、より深い個別化された認知過程をシミュレートする能力は、いまだに理解されていない。
我々は,言語的特徴,概念マッピング,プロファイルに基づく情報など,異なる認知表現を評価する。
論文 参考訳（メタデータ） (2025-10-23T06:18:15Z) - Fuzzy, Symbolic, and Contextual: Enhancing LLM Instruction via Cognitive Scaffolding [3.553493344868413]
本研究では,指導対話における大規模言語モデル(LLM)の認知行動に,素早いレベルの帰納的バイアスがどう影響するかを検討する。
本稿では,適応的,構造化された推論を促進するために,短期記憶スキーマと組み合わせたシンボリックスキャフォールディング手法を提案する。
予備的な結果は、我々の完全なシステムがベースラインの変種を一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2025-08-28T20:46:13Z) - 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) - LMCD: Language Models are Zeroshot Cognitive Diagnosis Learners [12.80627587335383]
認知診断(CD)はAIを活用した教育において重要な課題となっている。
プレトレーニング言語モデル(PLM)を利用した最近のNLPベースのアプローチは有望である。
ゼロショット認知診断学習者(LMCD)として言語モデルを提案する。
2つの実世界のデータセットの実験により、LMCDはエクササイズコールドとドメインコールドの両方で最先端の手法を大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2025-05-27T14:19:35Z) - Learning Interpretable Representations Leads to Semantically Faithful EEG-to-Text Generation [52.51005875755718]
我々は脳波からテキストへの復号に焦点をあて、後部崩壊のレンズを通して幻覚の問題に対処する。
脳波とテキスト間の情報容量のミスマッチを認め、デコードタスクをコア意味のセマンティックな要約として再設計する。
パブリックなZuCoデータセットの実験では、GLIMが一貫して、流動的なEEG基底文を生成することが示されている。
論文 参考訳（メタデータ） (2025-05-21T05:29:55Z) - LLM4CD: Leveraging Large Language Models for Open-World Knowledge Augmented Cognitive Diagnosis [56.50378080174923]
オープンワールド知識強化認知診断のための大規模言語モデルを活用するLCM4CDを提案する。
本手法はLLMのオープンワールド知識を利用して認知表現型テキスト表現を構築し,CDタスクにリッチな意味情報を導入する。
このアプローチは、従来のID埋め込みを意味表現に置き換え、新しい学生やオープンワールドの知識を持つエクササイズに対応できるようにし、コールドスタート問題に対処する。
論文 参考訳（メタデータ） (2025-05-14T14:48:00Z) - Language Representation Favored Zero-Shot Cross-Domain Cognitive Diagnosis [15.006031265076006]
本稿では,ゼロショットクロスドメイン認知診断(LRCD)を用いた言語表現を提案する。
LRCDはまず、異なる領域における学生の行動パターンを分析し、次にテキスト記述を用いて学生、運動、概念のプロファイルを記述する。
言語空間と認知診断空間の相違に対処するため,LRCDにおける言語認知マッパーを提案し,前者から後者へのマッピングを学習する。
論文 参考訳（メタデータ） (2025-01-18T03:35:44Z) - CogAlign: Learning to Align Textual Neural Representations to Cognitive
Language Processing Signals [60.921888445317705]
自然言語処理モデルに認知言語処理信号を統合するためのCogAlignアプローチを提案する。
我々は、CogAlignが、パブリックデータセット上の最先端モデルよりも、複数の認知機能で大幅な改善を実現していることを示す。
論文 参考訳（メタデータ） (2021-06-10T07:10:25Z)
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。