論文の概要: Can a System-One LLM Perform Knowledge Tracing When Few or No Learners Are Logged?

• arxiv url: http://arxiv.org/abs/2610.11135v1
• Date: Thu, 08 Oct 2026 02:59:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.752204
• Title: Can a System-One LLM Perform Knowledge Tracing When Few or No Learners Are Logged?
• Title（参考訳）: 学習者数が少ない場合,システムワンのLLMによる知識追跡は可能か?
• Abstract要約: そこで本研究では,学習者が少なかったり少なかったりした場合に,既製のSystem-One LLMがKTを実行できるかどうかを問う。 新たな学習者にとって、最初の対話から得られる利点は、すべての学習者がログインした未確認項目に対して、深いKTは依然として先にある。
• 参考スコア（独自算出の注目度）: 0.12277343096128711
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Knowledge tracing (KT) models need many logged learners, so a new course or platform starts without a usable model. In LLM-based KT the LLM generates the answer, which we call System-Two; it is either fine-tuned on the target data or reasons and votes over ten samples, which is slow and gives coarse probabilities. We ask whether an off-the-shelf System-One LLM, which returns a probability for a typed question directly in a single pass, can perform KT when few or no learners are logged. On seven datasets, Jev without any data from the target platform reaches a mean AUC of .706, above the best of 28 deep KT models trained on 8 learners (.689) and above System-Two Thinking-KT on all seven datasets (.650) at about 1/100 of its API cost. Adding examples and a similar-learner statistic from the logged learners (JevKT) raises this to .722; JevKT stays significantly ahead of deep KT up to 16 learners and ahead on average up to 64, and supervised KT catches up between 64 and 128 learners. Among the readers we tested, the gain is specific to Jev, since three other LLMs queried with the byte-identical typed request through the official System-One adapter fall below it on all seven datasets, and reader swaps and contamination checks find no evidence that the input format or memorised data explain the gain. For new learners the advantage holds from their first interactions, whereas on unseen items with all learners logged, deep KT remains ahead.
• Abstract（参考訳）: 知識トレース(KT)モデルは多数のログ学習者を必要とするため、新しいコースやプラットフォームは使用可能なモデルなしで開始される。 LLMベースのKTでは、LLMはSystem-Twoと呼ばれる答えを生成します。 単一パスで直接型付けされた質問の確率を返却する既製のSystem-One LLMは、学習者がほとんどいない場合、KTを実行できるかどうかを問う。 7つのデータセットでは、ターゲットプラットフォームからのデータを持たないJevは、平均で.706に達し、8人の学習者(.689)と、すべての7つのデータセット(.650)のSystem-Two Thinking-KTでトレーニングされた28の深いKTモデルのうち、そのAPIコストの約1/100で、最高の.706に達している。 ログ付き学習者(JevKT)からサンプルと同様の学習者統計を追加することで、これを.722に引き上げる。JevKTは16人の学習者、平均64人の学習者、64から128人の学習者まで、深いKTよりもはるかに先行する。 公式のSystem-Oneアダプタを通じて、バイト単位の型付け要求でクエリされた他の3つのLSMは、すべての7つのデータセットでそれより下位にあり、読み取りスワップと汚染チェックは、入力フォーマットや記憶されたデータが利得を説明する証拠を見つけられないため、私たちがテストした読者のうち、この利得はJevに特有である。 新たな学習者にとって、最初の対話から得られる利点は、すべての学習者がログインした未確認項目に対して、深いKTは依然として先にある。

関連論文リスト

• Is It Still Worth Training a Classical Model in the Era of LLMs? A Crossover Benchmark on Tabular Data [0.0]
  我々はラベル付きデータ交叉N*で答えを定量化する。 典型的なビジネステーブルでは、証拠は明確である: 数百のラベルを収集し、グラデーションブースされたモデルを訓練する。
  論文  参考訳（メタデータ） (2026-07-28T19:41:02Z)
• FoundationalASSIST: An Educational Dataset for Foundational Knowledge Tracing and Pedagogical Grounding of LLMs [0.8399688944263842]
  FoundationalASSISTは、大規模言語モデルの研究に必要な完全な情報を提供する最初の英語教育データセットである。 5000人の学生による170万のインタラクションは、これまで追求できなかった研究の方向性を可能にしている。
  論文  参考訳（メタデータ） (2026-01-20T17:47:30Z)
• Can LLM Annotations Replace User Clicks for Learning to Rank? [112.2254432364736]
  大規模な教師付きデータは最新のランキングモデルのトレーニングには不可欠だが、高品質な人的アノテーションの取得にはコストがかかる。 クリックデータは低コストの代替手段として広く使われており、近年の大規模言語モデル(LLM)の発展に伴い、LLMベースの関連アノテーションも有望なアノテーションとして登場した。 公開データセットであるTianGong-STと、産業データセットであるBaidu-Clickの両方の実験は、クリック管理モデルが高周波クエリでより良いパフォーマンスを示すことを示している。 データスケジューリングと周波数対応多目的学習という2つのトレーニング戦略を検討し、両方の監視信号を統合する。
  論文  参考訳（メタデータ） (2025-11-10T02:26:14Z)
• When Do LLMs Help With Node Classification? A Comprehensive Analysis [21.120619437937382]
  我々はLarge Language Models (LLMs) を用いたノード分類のための包括的でテストベッドを開発する。 10のホモ親和性データセット、4つのヘテロ親和性データセット、8つのLLMアルゴリズム、8つの古典的ベースライン、3つの学習パラダイムを含む。 その結果,(1) LLMに基づく手法は, 半教師付き環境では従来手法よりも優れているが, 教師付き環境では優位性が低い, という8つの知見が得られた。
  論文  参考訳（メタデータ） (2025-02-02T15:56:05Z)
• Not All Options Are Created Equal: Textual Option Weighting for Token-Efficient LLM-Based Knowledge Tracing [0.14999444543328289]
  大規模言語モデル(LLM)が知識追跡のための有望なツールとして登場した。 実例学習者のインタラクション履歴を文脈でエンコードするフレームワークであるtextitLLM を用いた Option-weighted Knowledge Tracing (LOKT) を提案する。 LOKTはスケーラブルでコスト効率のよい推論を可能にし、厳密なトークン制約の下でも強力なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-10-14T16:25:48Z)
• In-context Demonstration Matters: On Prompt Optimization for Pseudo-Supervision Refinement [71.60563181678323]
  大規模言語モデル(LLM)は様々なタスクで大きな成功を収めており、生成品質をさらに向上させるためには微調整が必要である場合もある。 これらの課題に対処する直接的な解決策は、教師なしの下流タスクから高信頼のデータを生成することである。 本稿では,プロンプトと全体的な擬似スーパービジョンを両立させる新しい手法,擬似教師付きデモアライメント・アライメント・アライメント・プロンプト・最適化(PAPO)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-04T03:39:28Z)
• Tabular Transfer Learning via Prompting LLMs [52.96022335067357]
  大規模言語モデル(LLM)を用いたラベル付き(あるいは異種)ソースデータを利用した新しいフレームワークPrompt to Transfer (P2T)を提案する。 P2Tは、ターゲットタスク機能と強く相関しているソースデータセットの列の特徴を特定し、ターゲットタスクに関連する例を作成し、プロンプトの擬似宣言を生成する。
  論文  参考訳（メタデータ） (2024-08-09T11:30:52Z)
• Large Language Model-Aware In-Context Learning for Code Generation [75.68709482932903]
  大規模言語モデル(LLM)は、コード生成において印象的なコンテキスト内学習(ICL)能力を示している。 コード生成のためのLAIL (LLM-Aware In-context Learning) という新しい学習ベース選択手法を提案する。
  論文  参考訳（メタデータ） (2023-10-15T06:12:58Z)
• Language models are weak learners [71.33837923104808]
  本研究では,プロンプトベースの大規模言語モデルは弱い学習者として効果的に動作可能であることを示す。 これらのモデルをブースティングアプローチに組み込むことで、モデル内の知識を活用して、従来のツリーベースのブースティングよりも優れています。 結果は、プロンプトベースのLLMが、少数の学習者だけでなく、より大きな機械学習パイプラインのコンポーネントとして機能する可能性を示している。
  論文  参考訳（メタデータ） (2023-06-25T02:39:19Z)
• Table Meets LLM: Can Large Language Models Understand Structured Table Data? A Benchmark and Empirical Study [44.39031420687302]
  大規模言語モデル(LLM)は、自然言語(NL)に関連する課題を解決するために、数ショットの推論器として魅力的になってきている。 LLMの構造的理解能力を評価するためのベンチマークを設計して,これを理解しようと試みる。 重要な値や範囲識別など,効率的な構造的プロンプトのための$textitself-augmentation$を提案する。
  論文  参考訳（メタデータ） (2023-05-22T14:23:46Z)
• simpleKT: A Simple But Tough-to-Beat Baseline for Knowledge Tracing [22.055683237994696]
  我々は、textscsimpleKT という名前の KT タスクを扱うための、強力だが単純なベースライン手法を提供する。 心理学におけるラッシュモデルに触発され、質問固有のバリエーションを明示的にモデル化し、質問間の個人差を捉えた。 本研究は,学生の学習行動に埋め込まれた時間認識情報を抽出するために,通常のドット・プロダクト・アテンション機能を利用する。
  論文  参考訳（メタデータ） (2023-02-14T08:09:09Z)

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。