論文の概要: CaRe-KT: Continuity-Aware Retrieval-Augmented Reasoning for Knowledge Tracing
- arxiv url: http://arxiv.org/abs/2611.03744v1
- Date: Mon, 02 Nov 2026 03:25:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-11 11:19:29.425982
- Title: CaRe-KT: Continuity-Aware Retrieval-Augmented Reasoning for Knowledge Tracing
- Title(参考訳): CaRe-KT:知識追跡のための連続性を考慮した検索推論
- Abstract要約: CaRe-KTは、エビデンス獲得と推論の間の関連性の連続性を維持するクエリ適応フレームワークである。
これらの結果から,CaRe-KTはKTベースラインよりも優れており,未熟な歴史条件やコールドスタート条件下では頑健であることが明らかとなった。
- 参考スコア(独自算出の注目度): 6.571699426151753
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge tracing (KT) estimates learners' evolving knowledge states from interaction histories to support adaptive learning. Retrieval-augmented KT improves these estimates using cross-learner behavioral evidence, but existing approaches typically separate evidence retrieval from downstream prediction. This creates a retrieval-inference alignment gap because evidence relevance varies with the learner's evolving state and prediction context. We propose CaRe-KT, a query-adaptive framework that maintains relevance continuity between evidence acquisition and inference without equating retrieval relevance with predictive utility. CaRe-KT introduces an Evidence-Graph Cache (EGC) that combines persistent question-level relational compatibility with interaction-level temporal validity to construct query-specific evidence subgraphs. Historical learning trajectories retrieved through these subgraphs are encoded alongside the target learner's history in a shared representation space using outcome-supervised contrastive learning. An attention mechanism combines acquisition relevance with learned query-evidence compatibility, allowing relevance to inform, rather than determine, each trajectory's predictive influence. Experiments across five benchmarks show that CaRe-KT outperforms strong KT baselines and remains robust under sparse-history and cold-start conditions. These findings support relevance continuity as a design principle for retrieval-augmented knowledge tracing.
- Abstract(参考訳): 知識追跡(KT)は、学習者の進化する知識状態を相互作用履歴から推定し、適応学習を支援する。
Retrieval-augmented KTは、これらの推定をクロスラーナーな行動証拠を用いて改善するが、既存のアプローチでは、下流の予測からエビデンスを分離するのが一般的である。
これは、学習者の進化状態と予測コンテキストによってエビデンスの関係が変化するため、検索と推論のアライメントのギャップが生じる。
本稿では,検索関連性を予測ユーティリティと同一にすることなく,証拠取得と推論の関連性を維持するクエリ適応フレームワークCaRe-KTを提案する。
CaRe-KTはEvidence-Graph Cache (EGC)を導入し、永続的な質問レベルのリレーショナル互換性と相互作用レベルの時間的妥当性を組み合わせてクエリ固有のエビデンスサブグラフを構築する。
これらのサブグラフから検索した履歴学習軌跡は、結果管理コントラスト学習を用いた共有表現空間において、対象学習者の履歴と共に符号化される。
注意機構は、取得の関連性と学習されたクエリ・エビデンスとの互換性を組み合わせることで、各トラジェクタの予測的影響を判断するよりも、その関連性を通知することができる。
5つのベンチマーク実験により、CaRe-KTは強いKTベースラインを上回り、スパルスヒストリーとコールドスタート条件下では頑健であることが示された。
これらの知見は、検索強化知識追跡の設計原則として、関連性の連続性を支持する。
関連論文リスト
- When to Retrieve, When to Stay: Uncertainty-Aware Temporal Evidence Allocation for Streaming Video-LLMs [55.016033209274376]
WRWS(When to Retrieve, When to Stay)は、不確実性適応型エビデンスアロケーションのためのトレーニング不要のフレームワークである。
WRWSは、関連手段が信頼性が高い場合に意味検索を好んでおり、不確実性の下での精度を高める。
我々の効率評価において、WRWSは、平均視覚から回答までの時間を、最先端手法の47.93%に削減する。
論文 参考訳(メタデータ) (2026-09-29T12:13:56Z) - Disentangling Knowledge States with Ability and Proficiency Modeling for Knowledge Tracing [6.399286079325182]
知識追跡は、歴史相互作用から進化する知識状態をモデル化することで、学生の将来のパフォーマンスを予測することを目的としている。
我々は,学生のインタラクションを能力と熟練度に分解するKTフレームワークPAKTを提案する。
提案手法は, AUCが最大1.33%, 平均0.82%, 代表ベースラインを一貫して上回っている。
論文 参考訳(メタデータ) (2026-07-14T09:11:59Z) - Explainable Knowledge Tracing via Probabilistic Embeddings and Pattern-based Reasoning [14.812722196795827]
知識追跡(KT)は、学習相互作用に基づいて生徒の知識状態をモデル化し、パフォーマンスを予測する。
本稿では,歴史学習行動に対する予測を目的条件付き証拠推論プロセスとして定式化する,解釈可能なKTフレームワークである確率論理知識追跡(PLKT)を提案する。
PLKTは最先端のKT法より優れ、優れた解釈性を実現している。
論文 参考訳(メタデータ) (2026-05-10T06:41:58Z) - RAG-KT: Cross-platform Explainable Knowledge Tracing with Multi-view Fusion Retrieval Generation [3.443835365258646]
知識追跡は、過去のインタラクションから学生の知識状態を推測し、将来のパフォーマンスを予測する。
RAG-KTは、信頼性のあるコンテキスト制約付き推論としてクロスプラットフォームKTをフレーム化する検索拡張パラダイムである。
3つのパブリックKTベンチマークの実験では、精度と堅牢性が一貫した向上を示した。
論文 参考訳(メタデータ) (2026-04-13T03:56:17Z) - FACT-E: Causality-Inspired Evaluation for Trustworthy Chain-of-Thought Reasoning [49.65751420291115]
CoT(Chain-of-Thought)プロンプトはLSM推論を改善したが、モデルはしばしば不誠実な中間ステップを含むコヒーレントな説明を生成する。
我々は、CoTの品質を評価するための因果性に着想を得たフレームワークであるFACT-Eを提案する。
FACT-Eは推論・軌道選択を改善し、文脈内学習を強くすることを示す。
論文 参考訳(メタデータ) (2026-04-12T15:35:08Z) - Extracting Causal Relations in Deep Knowledge Tracing [0.0]
DKTの強みは、前提条件関係を因果構造としてモデル化する暗黙の能力にあることを示す。
運動関係グラフをDAG(Directed Acyclic Graphs)にプルーニングし、Assistmentsデータセットの因果部分集合に基づいてDKTを訓練することにより、DKTの予測能力がこれらの因果構造と強く一致することを示す。
論文 参考訳(メタデータ) (2025-11-06T00:52:28Z) - Forgetting-aware Linear Bias for Attentive Knowledge Tracing [7.87348193562399]
本稿では,リニアバイアスとして忘れる動作を反映するフォーッティング対応リニアバイアス(FoLiBi)を提案する。
複数のKTモデルでプラグインされたFoLiBiは、4つのベンチマークデータセット上の最先端KTモデルよりも、AUCで最大2.58%改善されている。
論文 参考訳(メタデータ) (2023-09-26T09:48:30Z) - Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。
本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。
RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
論文 参考訳(メタデータ) (2023-09-20T08:11:58Z)
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。