論文の概要: ProIQA: A Process-Based Framework for Fine-Grained Math Item Quality Assessment

• arxiv url: http://arxiv.org/abs/2609.15292v2
• Date: Tue, 15 Sep 2026 10:06:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.09559
• Title: ProIQA: A Process-Based Framework for Fine-Grained Math Item Quality Assessment
• Title（参考訳）: ProIQA: 細粒度数学の項目品質評価のためのプロセスベースのフレームワーク
• Abstract要約: 本稿では,数学項目の詳細な品質評価のためのプロセスベース項目品質評価(ProIQA)を提案する。 まず、知識概念、難易度、学際的能力を含む3次元にわたるIQAを、統一されたプロセス認識の観点から定式化する。 生の解から導出される構造的推論木を用いて、元の項目データを増大させることにより、プロセス強化IQAリソースを構築する。
• 参考スコア（独自算出の注目度）: 18.126940507683425
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic Item Generation (AIG) is pivotal for personalized education, yet guaranteeing the pedagogical value of generated items remains a bottleneck. Existing Item Quality Assessment (IQA) methods typically rely on unscalable manual reviews or shallow stem-based metrics, failing to capture the reasoning process required for mathematical problem-solving. To bridge this gap, this paper proposes Process-based Item Quality Assessment (ProIQA), a process-aware framework for fine-grained quality assessment of math items. We first formulate IQA across three heterogeneous dimensions, including knowledge concepts, difficulty, and disciplinary competencies, under a unified process-aware perspective. Based on this formulation, we construct a process-enhanced IQA resource by augmenting original item data with structured reasoning trees derived from raw solutions. Technically, ProIQA leverages Large Language Modelsto construct hierarchical reasoning trees and employs Graph Neural Networks (GNN) to encode their topological dependencies and procedural semantics. The resulting solving representation is fused with stem semantics through a dual-view (``Stem + Solving'') architecture, enabling comprehensive assessment across learning objectives. Extensive experiments on K12 mathematical datasets show that ProIQA effectively captures process-oriented features, offering a scalable data-driven solution for evaluating AIG outputs in intelligent education systems.
• Abstract（参考訳）: 自動アイテム生成(AIG)はパーソナライズされた教育において重要であるが、生成したアイテムの教育的価値を保証することはボトルネックである。 既存の Item Quality Assessment (IQA) の手法は、通常、計算不能なマニュアルレビューや浅いステムベースのメトリクスに依存し、数学的問題解決に必要な推論プロセスの取得に失敗する。 このギャップを埋めるために,本論文では,数学項目のきめ細かい品質評価のためのプロセス認識フレームワークであるProIQAを提案する。 まず、知識概念、難易度、学際的能力を含む3つの異種次元にわたるIQAを、統一されたプロセス認識の観点から定式化する。 この定式化に基づいて, 生の解から導出される構造的推論木を用いて, 元の項目データを増大させることにより, プロセス強化IQA資源を構築する。 技術的には、ProIQAはLarge Language Modelsを利用して階層的推論ツリーを構築し、グラフニューラルネットワーク(GNN)を使用してトポロジ的依存関係と手続き的意味論を符号化する。 結果として得られる問題解決表現は、二重ビュー(`Stem + Solving'')アーキテクチャを通じて、幹細胞の意味論と融合し、学習目標全体にわたって包括的な評価を可能にする。 K12の数学的データセットに関する大規模な実験によると、ProIQAはプロセス指向の機能を効果的にキャプチャし、インテリジェントな教育システムにおいてAIG出力を評価するためのスケーラブルなデータ駆動ソリューションを提供する。

関連論文リスト

• IQA-T1: Tool-based Visual Evidence Reasoning for Image Quality Assessment [59.83941105390897]
  ツールベースの視覚的エビデンス推論フレームワークであるIQA-T1を提案する。 推論の間、モデルは、構造化された視覚的証拠を生成するための特殊な分析ツールを自律的に呼び出す。 実験によると、IQA-T1はデータセット全体で最高の全体的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-14T05:47:32Z)
• Computability of Agentic Systems [0.0]
  Quest Graphは、有限コンテキストでエージェントシステムの能力を分析するための正式なフレームワークである。 参照拡張(Turing-complete)システムは、非拡張(context-free)システムよりも複雑なグラフをシミュレーションする方が指数関数的に効率的であることを示す。
  論文  参考訳（メタデータ） (2026-01-26T16:06:15Z)
• AgenticIQA: An Agentic Framework for Adaptive and Interpretable Image Quality Assessment [69.06977852423564]
  画像品質評価(IQA)は、人間の視覚系に根ざした知覚品質の定量化と解釈の両方を反映している。 AgenticIQAは、IQAを歪み検出、歪み解析、ツール選択、ツール実行の4つのサブタスクに分解する。 本稿では,IQAエージェントに適した大規模命令データセットであるAgenticIQA-200Kと,VLMベースのIQAエージェントの計画,実行,要約機能を評価するための最初のベンチマークであるAgenticIQA-Evalを紹介する。
  論文  参考訳（メタデータ） (2025-09-30T09:37:01Z)
• Towards the Next Generation of Software: Insights from Grey Literature on AI-Native Applications [13.876049229274114]
  AIネイティブアプリケーションは、ソフトウェアの設計、開発、進化の方法を根本的に再定義する、ソフトウェアエンジニアリングの新しいパラダイムである。 人気が高まっているにもかかわらず、AIネイティブアプリケーションには、統一されたエンジニアリング定義とアーキテクチャの青写真がない。 本研究は、AIネイティブアプリケーションの定義特性、キー品質特性、および典型的な技術スタックを識別することにより、AIネイティブアプリケーションの包括的な理解を確立することを目的とする。
  論文  参考訳（メタデータ） (2025-09-16T15:01:23Z)
• Large Language Models Meet Symbolic Provers for Logical Reasoning Evaluation [24.081573908824353]
  一階述語論理(FOL)推論はインテリジェントシステムにおいて重要である。 既存のベンチマークは、広範囲の人間のアノテーションや手作りテンプレートに依存していることが多い。 本稿では,大言語モデルの生成強度を記号型プローサの厳密性と精度で相乗化するProverGenという新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-10T15:31:54Z)
• Few-Shot Image Quality Assessment via Adaptation of Vision-Language Models [93.91086467402323]
  Gradient-Regulated Meta-Prompt IQA Framework (GRMP-IQA) は、視覚言語事前学習モデルのCLIPをIQAタスクに効率よく適応させるように設計されている。 GRMP-IQAは、 (i) Meta-Prompt 事前学習モジュールと (ii) Quality-Aware Gradient Regularization の2つのコアモジュールから構成される。
  論文  参考訳（メタデータ） (2024-09-09T07:26:21Z)
• Large Multi-modality Model Assisted AI-Generated Image Quality Assessment [53.182136445844904]
  本稿では,AI生成画像品質評価モデル(MA-AGIQA)を提案する。 セマンティックインフォームドガイダンスを使用して意味情報を感知し、慎重に設計されたテキストプロンプトを通してセマンティックベクターを抽出する。 最先端のパフォーマンスを実現し、AI生成画像の品質を評価する上で優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-04-27T02:40:36Z)
• Blind Image Quality Assessment via Vision-Language Correspondence: A Multitask Learning Perspective [93.56647950778357]
  ブラインド画像品質評価(BIQA)は、参照情報なしで画像品質の人間の知覚を予測する。 我々は,他のタスクからの補助的知識を活用するために,BIQAのための汎用的かつ自動化されたマルチタスク学習手法を開発した。
  論文  参考訳（メタデータ） (2023-03-27T07:58:09Z)
• Generating Diverse and Consistent QA pairs from Contexts with Information-Maximizing Hierarchical Conditional VAEs [62.71505254770827]
  非構造化テキストを文脈として与えられたQAペアを生成するための条件付き変分オートエンコーダ(HCVAE)を提案する。 我々のモデルは、トレーニングにわずかなデータしか使わず、両方のタスクの全てのベースラインに対して印象的なパフォーマンス向上が得られる。
  論文  参考訳（メタデータ） (2020-05-28T08:26:06Z)

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。