論文の概要: Does Deep Knowledge Tracing Learn Semantic Relations Between Knowledge Components?
- arxiv url: http://arxiv.org/abs/2611.16323v1
- Date: Thu, 12 Nov 2026 05:47:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.370345
- Title: Does Deep Knowledge Tracing Learn Semantic Relations Between Knowledge Components?
- Title(参考訳): ディープ・ナレッジ・トラクションは知識コンポーネント間の意味的関係を学習するか?
- Abstract要約: ディープ・ナレッジ・トラクション(Deep Knowledge Tracing, DKT)は、対話のシーケンスから共有潜在状態を更新する知識追跡モデルである。
9つのパイプラインを用いてテキスト由来の意味的KC表現を構築し、結果がそれらの表現を構成する代替方法にまたがるかどうかを検証する。
発見は、行動的、時間的、構造的、精神測定的な信号もまた、DKTの学習された関係を形作る可能性があることを示唆している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep Knowledge Tracing (DKT) is a knowledge tracing (KT) model that updates a shared latent state from sequences of interactions, each pairing a knowledge component (KC) with a response. An interaction with one KC can therefore affect predictions for other KCs. We ask: Are the KC relations learned by DKT semantic? We construct text-derived semantic KC representations using nine pipelines to test whether the conclusions hold across alternative ways of constructing those representations. The first test compares DKT-derived KC relation graphs with semantic relation structures induced by pairwise cosine similarities among the KC representations. Across the evaluated datasets, embedding models, and pipelines, the two structures align only weakly and inconsistently. The second test introduces semantic information into DKT; the pretrained text-derived representations do not consistently outperform the standard DKT baseline. In the reduced-data experiments, semantic initialization yields a higher test area under the ROC curve (AUC) than the baseline at eight of nine nested sample sizes for ASSISTments 2017. KC-supervised fine-tuned BERT produces small positive AUC differences in some matched comparisons, but the study does not establish their stability across runs. These effects remain limited and inconsistent. The findings suggest that behavioral, temporal, structural, or psychometric signals may also shape DKT's learned relations. DKT-derived relations are not primarily semantic: the tested text-derived semantic structures do not strongly recover the DKT-derived relation structure.
- Abstract(参考訳): ディープ・ナレッジ・トラクション(Deep Knowledge Tracing、DKT)は、知識追跡(KT)モデルであり、インタラクションのシーケンスから共有潜在状態を更新し、それぞれが知識コンポーネント(KC)と応答をペアリングする。
したがって、あるKCとの相互作用は他のKCの予測に影響を与える可能性がある。
質問:KCの関係はDKTセマンティクスによって学習されているか?
9つのパイプラインを用いてテキスト由来の意味的KC表現を構築し、結果がそれらの表現を構成する代替方法にまたがるかどうかを検証する。
最初のテストでは、DKT由来のKC関係グラフと、KC表現間のペアワイズコサイン類似性によって誘導される意味的関係構造を比較した。
評価されたデータセット、埋め込みモデル、パイプライン全体において、2つの構造は弱みと一貫性にしか整合しない。
2つ目のテストでは意味情報をDKTに導入するが、事前訓練されたテキスト由来の表現は標準のDKTベースラインを一貫して上回るものではない。
縮小データ実験では、セマンティック初期化は、ASSISTments 2017の9つのネスト標本サイズのうち8つのベースラインよりも、ROC曲線(AUC)の下で高いテスト領域が得られる。
KC制御された微調整BERTは、いくつかのマッチングされた比較において小さな正のAUC差を生じるが、本研究はランの安定性を確立できない。
これらの効果は限定的で矛盾する。
この結果は、行動的、時間的、構造的、精神測定的な信号もまた、DKTの学習関係を形作る可能性があることを示唆している。
テストされたテキスト由来のセマンティック構造は、DKT由来の関係構造を強く回復しない。
関連論文リスト
- CaRe-KT: Continuity-Aware Retrieval-Augmented Reasoning for Knowledge Tracing [6.571699426151753]
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。
論文 参考訳(メタデータ) (2026-11-02T03:25:09Z) - 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) - Consistent Kernel Change-Point Detection under m-Dependence for Text Segmentation [0.0]
カーネル変更点検出(KCPD)は、複雑なデータの構造変化を特定するために広く使われているツールである。
軽微な追加仮定の下で検出された変化点数における整合性および位置における弱整合性を証明した。
現代埋め込みを用いたテキストセグメンテーションのためのKCPDの実証的研究を行った。
論文 参考訳(メタデータ) (2025-10-03T18:57:22Z) - Label-Context-Dependent Internal Language Model Estimation for CTC [50.25063912757367]
本稿では,コネクショニストの時間的分類のための新しい文脈依存型ILM推定手法を提案する。
実験の結果,コンテキスト依存型ILMはドメイン間評価において,コンテキスト非依存型の先行よりも優れていた。
平滑化手法を用いたラベルレベルKDは,他のILM推定手法を超えている。
論文 参考訳(メタデータ) (2025-06-06T13:54:43Z) - Sparse Binary Representation Learning for Knowledge Tracing [0.0]
知識追跡モデル(KT)は、学生の過去の相互作用に基づいて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。
既存のKTモデルは、エクササイズに関連する人間定義の知識概念にのみ依存している。
KT モデル SBRKT (Sparse Binary Representation KT) を提案する。
論文 参考訳(メタデータ) (2025-01-17T00:45:10Z) - Prototype-based Aleatoric Uncertainty Quantification for Cross-modal
Retrieval [139.21955930418815]
クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。
しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。
本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-29T09:41:19Z) - 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) - Multi-Aspect Explainable Inductive Relation Prediction by Sentence
Transformer [60.75757851637566]
本稿では,モデル学習に先立って信頼できない経路をフィルタリングし,モデル性能を高めるための関係経路カバレッジと関係経路信頼の概念を紹介する。
知識グラフにおける帰納関係を予測するために,知識推論文変換器(KRST)を提案する。
論文 参考訳(メタデータ) (2023-01-04T15:33:49Z) - Duality-Induced Regularizer for Semantic Matching Knowledge Graph
Embeddings [70.390286614242]
本稿では, 類似のセマンティクスを持つエンティティの埋め込みを効果的に促進する新しい正規化器(duality-induced RegulArizer (DURA))を提案する。
実験により、DURAは、最先端のセマンティックマッチングモデルの性能を一貫して改善することを示した。
論文 参考訳(メタデータ) (2022-03-24T09:24:39Z)
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。