論文の概要: Embedding-Based Educational Taxonomies

• arxiv url: http://arxiv.org/abs/2610.33694v1
• Date: Sat, 24 Oct 2026 14:19:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.422826
• Title: Embedding-Based Educational Taxonomies
• Title（参考訳）: 埋め込み型教育分類学
• Abstract要約: 教育スキルは、運動問題などの教育コンテンツを、スキルや知識コンポーネントとも呼ばれる概念に整理する。 近年のセマンティック埋め込みの進歩により、コンテンツ自体から代替的な教育を構築することが可能になった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Educational taxonomies organize educational content, such as exercise problems, into concepts, which are also called skills or knowledge components. These taxonomies define learning objectives in educational applications such as intelligent tutoring systems. Developed through human expertise and iterative refinement, they also provide fundamental structure for curricula, assessment, and models of student learning. Recent advances in semantic text embeddings make it possible to construct alternative educational taxonomies computationally from the content itself. In this paper, we investigate this possibility by clustering embeddings of math questions to construct embedding-based educational taxonomies. We compare these taxonomies with the existing Common Core State Standards (CCSS)-based knowledge-component taxonomies in two ASSISTments datasets and evaluate their utility in Deep Knowledge Tracing, a downstream task that relies on taxonomic mappings of questions to knowledge components. The embedding-based taxonomies exhibit substantial but incomplete correspondence with the existing taxonomies, revealing both preserved and alternative organizations of educational content. When used for knowledge tracing, they improve predictive performance by approximately 3-5 AUC percentage points. These results demonstrate the potential of semantic embeddings for automatically constructing educational taxonomies that both recover structure present in human-developed taxonomies and provide useful alternative representations for downstream educational modeling.
• Abstract（参考訳）: 教育分類学は、運動問題などの教育内容を、スキルや知識コンポーネントとも呼ばれる概念に整理する。 これらの分類学は、知的学習システムのような教育応用における学習目標を定義する。 人間の専門知識と反復的な洗練を通じて開発され、カリキュラム、評価、学生学習のモデルの基礎構造も提供する。 近年のセマンティックテキスト埋め込みの進歩により、コンテンツ自体から別の教育分類を計算的に構築することが可能になった。 本稿では, 数学質問の組込みをクラスタ化して, 組込み型教育分類を構築できる可能性について検討する。 これらの分類法を,既存のCCSS(Common Core State Standards)ベースの知識構成分類法を2つのASSISTmentsデータセットで比較し,知識コンポーネントに対する質問の分類学的マッピングに依存する下流タスクであるDeep Knowledge Tracingでそれらの有用性を評価する。 埋め込み型分類体系は、既存の分類体系と実質的には不完全な対応を示しており、教育内容の保存組織と代替組織の両方を明らかにしている。 知識追跡に使用する場合、予測性能を約3-5AUCのパーセンテージポイントで改善する。 これらの結果は、人為的な分類体系の復元と、下流の教育モデルに有用な代替表現を提供する教育分類体系を自動構築するための意味埋め込みの可能性を示している。

関連論文リスト

• CogTax: A Four-Level Cognitive Taxonomy for Command-Line Computing Education [0.0]
  この研究は、認知複雑性と運用への影響を統合する4段階の認知分類であるCogTaxを提示する。 授業資料のシークエンシングと評価の難しさの校正のための原則的枠組みを提供し、学生に自己評価とギャップ識別の明確な基準を与える。
  論文  参考訳（メタデータ） (2026-06-30T20:19:00Z)
• TaxoAlign: Scholarly Taxonomy Generation Using Language Models [14.54227999705238]
  分類学は、研究者が階層的な方法で知識を構造化し、ナビゲートするのを助ける重要な役割を担っている。 既存の自動サーベイ生成手法は、生成したサーベイの構造と人間の専門家が書いたものとは比較しない。 本研究では,人為的・自動的間のギャップを埋めることのできる自動分類法を提案する。
  論文  参考訳（メタデータ） (2025-10-20T07:49:51Z)
• Probing Taxonomic and Thematic Embeddings for Taxonomic Information [2.9874726192215157]
  分類学的および主題的関連性をモデル化することは、包括的な自然言語理解を持つAIを構築する上で重要である。 我々は,新しいハイポニム・ハイポニム探索タスクを設計し,分類学およびテーマSGNSとGloVeの埋め込みに関する比較調査を行う。 両種類の埋め込みがいくつかの分類情報をエンコードしていることを示す実験は、エンコーダアーキテクチャと埋め込み訓練データの両方に独立して関係している。
  論文  参考訳（メタデータ） (2023-01-25T15:59:26Z)
• Taxonomy Enrichment with Text and Graph Vector Representations [61.814256012166794]
  我々は,既存の分類学に新たな語を加えることを目的とした分類学の豊かさの問題に対処する。 我々は,この課題に対して,少ない労力で高い結果を得られる新しい手法を提案する。 我々は、異なるデータセットにわたる最先端の結果を達成し、ミスの詳細なエラー分析を提供する。
  論文  参考訳（メタデータ） (2022-01-21T09:01:12Z)
• Who Should Go First? A Self-Supervised Concept Sorting Model for Improving Taxonomy Expansion [50.794640012673064]
  データとビジネスの範囲が実際のアプリケーションで拡大するにつれ、既存の概念を組み込むために拡張する必要がある。 分類学の拡張に関する以前の研究は、新しい概念を独立して同時に処理し、それらの間の潜在的な関係と操作を挿入する適切な順序を無視します。 本稿では,新しい概念の中で局所ハイパーニム・ハイプニム構造を同時に発見し,挿入順序を決定する新しい自己教師付きフレームワークであるtaxoorderを提案する。
  論文  参考訳（メタデータ） (2021-04-08T11:00:43Z)
• Studying Taxonomy Enrichment on Diachronic WordNet Versions [70.27072729280528]
  本稿では,資源の乏しい環境での分類拡張の可能性について検討し,多数の言語に適用可能な手法を提案する。 我々は、分類の豊かさを訓練し評価するための新しい英語とロシア語のデータセットを作成し、他の言語のためのそのようなデータセットを作成する技術を記述する。
  論文  参考訳（メタデータ） (2020-11-23T16:49:37Z)
• Octet: Online Catalog Taxonomy Enrichment with Self-Supervision [67.26804972901952]
  オンラインカタログエンリッチメンTのための自己教師型エンドツーエンドフレームワークOctopを提案する。 本稿では,用語抽出のためのシーケンスラベリングモデルをトレーニングし,分類構造を捉えるためにグラフニューラルネットワーク(GNN)を用いることを提案する。 Octetは、オンラインカタログを、オープンワールド評価の2倍に強化する。
  論文  参考訳（メタデータ） (2020-06-18T04:53:07Z)
• TaxoExpan: Self-supervised Taxonomy Expansion with Position-Enhanced Graph Neural Network [62.12557274257303]
  分類学は機械解釈可能な意味論から成り、多くのウェブアプリケーションに貴重な知識を提供する。 そこで我々は,既存の分類学から,クエリの集合を自動生成するTaxoExpanという,新しい自己教師型フレームワークを提案する。 本研究では,(1)既存の分類学におけるアンカー概念の局所構造を符号化する位置強調グラフニューラルネットワーク,(2)学習モデルが自己超越データにおけるラベルノイズに敏感になるようなノイズローバスト学習の2つの手法を開発する。
  論文  参考訳（メタデータ） (2020-01-26T21:30:21Z)

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。