論文の概要: Curriculum Brain: Constructing Curriculum Knowledge Graphs as a Substrate for Cognitive Diagnosis
- arxiv url: http://arxiv.org/abs/2610.05860v1
- Date: Mon, 05 Oct 2026 06:26:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 03:43:16.742203
- Title: Curriculum Brain: Constructing Curriculum Knowledge Graphs as a Substrate for Cognitive Diagnosis
- Title（参考訳）: カリキュラム脳:認知診断の基盤としてのカリキュラム知識グラフの構築
- Abstract要約: 本稿では、学生のスキルをカリキュラムコンテンツにマッピングするシステムであるCurriculum Brainを紹介する。
フレームワークと結果のカリキュラムデータセットをリリースします。
241章(168章)では、41.5%がパッチなしで両方のチェックを渡すジェネレータ出力を生成した。
どちらもシステム自体が作成した基準に基づいて測定されるため、どちらも外部標準との合意よりも内部の一貫性を記述するため、どちらも外部標準との合意よりも内部の一貫性を記述するため、外部標準との合意よりも内部の一貫性を記述するため、どちらも外部標準との合意よりも内部の一貫性を記述する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cognitive Diagnostic Models (CDMs) identify which specific skills a student has and has not mastered, the signal a personalized learning path needs and a single aggregate score cannot give. Yet they are rarely deployed. The obstacle is their precondition: the Q-matrix, a mapping from every assessment item to the skills it requires, historically authored by hand. We separate the task into two stages: first construct the curriculum's own knowledge graph, the full space of concepts and skills it contains, independent of any item; then map items against that graph on demand. This paper addresses the first stage only. The item-mapping stage is designed but not implemented here, so the claim that this shifts judgment cost from once per item to once per curriculum is a design rationale rather than a finding. We present Curriculum Brain, a two-repository system pairing a version-controlled knowledge base with an agentic pipeline of eleven single-responsibility agents under a thin deterministic orchestrator. It generates candidate concept-skill mappings from official curriculum documents, checks them against accumulated rules, and compares them with a concept-skill map extracted independently from the textbook, repairing its own failures and escalating to a human only when it cannot resolve a case itself. Across 241 chapter runs (168 distinct chapters), 41.5% produced a Generator output passing both checks without a patch, and 67.6% resolved without escalation. Both are measured against criteria the system itself produced, so both describe internal consistency rather than agreement with an external standard, and both pool two pipeline configurations separated by a single change at run 77; after it the figures are 57.0% and 91.5%. Observed spend was $1.19 per chapter, API spend only, excluding human review. We release both the framework and the resulting curriculum dataset.
- Abstract（参考訳）: 認知診断モデル (CDMs) は、生徒がどのスキルを持っているか、習得していないかを識別する。
しかし、配備されることはめったにない。
Q行列(Q-matrix)とは、すべての評価項目から必要なスキルへのマッピングで、歴史的に手作業で作成されている。
まず、カリキュラムの知識グラフ、それが含んでいる概念とスキルの完全な空間を構築し、次に必要に応じてそのグラフに対してアイテムをマップします。
本論文は第1段階のみに対処する。
アイテムマッピングの段階は設計されているが、ここでは実装されていないので、1項目あたりの判断コストが1回から1回にシフトするという主張は、発見というよりは設計の合理性である。
本稿では,1つの単一責任エージェントからなるエージェントパイプラインとバージョン制御知識ベースを組み合わせた2つのリポジトリシステムであるCurriculum Brainについて述べる。
公式のカリキュラム文書から候補となるコンセプトスキルマッピングを生成し、蓄積されたルールと照合し、教科書から独立して抽出したコンセプトスキルマップと比較し、自身の失敗を修復し、ケース自体を解決できない場合にのみ人間にエスカレートする。
241章にまたがって(168章)、41.5%はパッチなしで両方のチェックを渡すジェネレータ出力を生成し、67.6%はエスカレーションなしで解決した。
どちらもシステム自体が生成した基準に基づいて測定されており、両者は外部標準との一致ではなく内部の一貫性を記述しており、両パイプライン構成は77で1回の変更で分離され、その後は57.0%と91.5%となっている。
観察された費用は1章あたり1.19ドルであり、APIの利用は人間によるレビューを除いて限られていた。
フレームワークと結果のカリキュラムデータセットの両方をリリースします。
関連論文リスト
- Training-Free Agentic Computer Vision for Structural Component Detection in 2D Structural Framing Plans [0.0]
この研究は、フレーミング計画PDFから構造成分の検出とモデルドラフトにエージェント視覚言語層を応用した最初のものである。
決定論的段階は、プリミティブを抽出し、次元比のコンセンサスによるスケールを推定し、明示的なドラフト文法を用いて5つのエンティティクラスを認識し、編集可能なレイアウトを組み立てる。
論文 参考訳（メタデータ） (2026-08-18T00:53:31Z) - Measuring Curriculum-Labor Market Alignment at the Scale of a Program Portfolio [1.8733436441111364]
大学情報工学科の5学部全学年を対象に,分類学的アライメント分析を1つ適用した。
コンテンツギャップは、プログラム固有のものではなく、システム、ソフトウェアエンジニアリング、セキュリティ、Web開発に集中していることが分かりました。
プログラム設計、カリキュラムガバナンス、カリキュラム分析の実践について論じる。
論文 参考訳（メタデータ） (2026-07-04T01:27:27Z) - SkillAudit: Ground-Truth-Free Skill Evolution via Paired Trajectory Auditing [81.51044612408793]
SkillAuditは、地味なフィードバックなしにエージェントスキルを進化させるフレームワークである。
行動の違いを編集指導に変換するために、SkillAuditはProcess-Aligned Contrastive Evaluationを使用する。
Refineはノイズや無関係なガイダンスを広く有用なスキルから取り除き、修復はタスクと競合するパスを置き換える。
論文 参考訳（メタデータ） (2026-06-12T08:20:09Z) - GIM: Evaluating models via tasks that integrate multiple cognitive domains [42.01371688303606]
Grounded Integration Measureは、820のオリジナルの問題のベンチマークである。
それぞれの問題は、オリジナルの専門家による作曲である。
バランスのとれた公民分離は、汚染診断を内蔵する。
論文 参考訳（メタデータ） (2026-05-18T17:09:50Z) - KWBench: Measuring Unprompted Problem Recognition in Knowledge Work [0.0]
KWBenchは、大規模言語モデルにおける未証明問題認識のベンチマークである。
解決しようとする前に、プロのシナリオを特定することができます。
これには、買収、契約交渉、臨床薬局、組織政治、詐欺分析、インセンティブデザインを含む223の業務が含まれている。
論文 参考訳（メタデータ） (2026-04-17T07:04:54Z) - Optimizing LLM Annotation of Classroom Discourse through Multi-Agent Orchestration [0.21410799064827235]
大規模言語モデル(LLM)は、教育データを注釈付けするためのスケーラブルなツールとしてますます位置づけられている。
しかし, シングルパスLCMの出力は, ハイテイクな教育施設では信頼性が低いことが示唆されている。
このスケールと妥当性の緊張は、現代の教育データ科学の核心にある。
論文 参考訳（メタデータ） (2026-03-08T16:51:03Z) - Reasoning Curriculum: Bootstrapping Broad LLM Reasoning from Math [79.75335577284747]
Reasoning Curriculumはまず、数学のような事前訓練された整列した領域で推論スキルを付与し、その後、関節RLを介してこれらのスキルを他の領域に適応し、洗練する。
カリキュラムは最小限であり、バックボーンに依存しないため、標準的な検証可能性チェック以外の特別な報酬モデルを必要としない。
論文 参考訳（メタデータ） (2025-10-30T04:56:44Z) - Probably Approximately Precision and Recall Learning [60.00180898830079]
機械学習における重要な課題は、一方的なフィードバックの頻度である。
本稿では,確率的近似(PAC)フレームワークを導入し,各入力をラベルの集合にマッピングする仮説を定めている。
我々は、正のデータのみから学習する新しいアルゴリズムを開発し、実現可能な場合において最適なサンプル複雑性を実現する。
論文 参考訳（メタデータ） (2024-11-20T04:21:07Z) - ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
本稿では,フィードバックを数発の分類として提供するという課題について考察する。
メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。
本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
論文 参考訳（メタデータ） (2021-07-23T22:41:28Z) - R-VGAE: Relational-variational Graph Autoencoder for Unsupervised
Prerequisite Chain Learning [83.13634692459486]
本稿では,概念リソースノードからなるグラフ内の概念関係を予測するために,グラフオートエンコーダ(VGA-E)と呼ばれるモデルを提案する。
その結果, 教師なし手法は, グラフベースの半教師付き手法やベースライン法よりも9.77%, 10.47%, 前提条件関係予測精度とF1スコアに優れていた。
提案手法は,教師なし事前学習のタスクに深層学習表現を適用しようとする最初のグラフベースモデルである。
論文 参考訳（メタデータ） (2020-04-22T14:48:03Z) - Structured Prediction with Partial Labelling through the Infimum Loss [85.4940853372503]
弱い監督の目標は、収集コストの安いラベル付け形式のみを使用してモデルを学習できるようにすることである。
これは、各データポイントに対して、実際のものを含むラベルのセットとして、監督がキャストされる不完全なアノテーションの一種です。
本稿では、構造化された予測と、部分的なラベリングを扱うための無限損失の概念に基づく統一的なフレームワークを提供する。
論文 参考訳（メタデータ） (2020-03-02T13:59:41Z)
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。