文献

J-GLOBAL ID：202002277832946816   整理番号：20A2004165

グラフベース知識トレーシング:グラフニューラルネットワークを用いた学生の習熟度のモデリング【JST・京大機械翻訳】

Graph-based Knowledge Tracing: Modeling Student Proficiency Using Graph Neural Network

著者 (3件)： Nakagawa Hiromi (The University of Tokyo, Japan) ,  Iwasawa Yusuke (The University of Tokyo, Japan) ,  Matsuo Yutaka (The University of Tokyo, Japan)
資料名： ACM Proceedings  (ACM Proceedings)
号： WI ’19  ページ： 156-163  発行年： 2019年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 計算機支援学習システムにおける最近の進歩は,知識追跡の研究の増加を引き起こし,そこでは,コースワーク運動に関する学生の性能が時間とともに予測される。データ構造の観点から,コースワークはグラフとして潜在的に構造化できる。関係誘導バイアスとして知識追跡モデルにこのグラフ構造化特性を組み込むことは,その性能を改善できる。しかし,深い知識追跡のような以前の方法は,そのような潜在グラフ構造を考慮しなかった。グラフニューラルネットワーク(GNN)の最近の成功に触発されて,ここではGNNベースの知識追跡法,すなわちグラフベースの知識追跡を提案する。グラフとして知識構造をキャストすることは,GNNにおける時系列ノードレベル分類問題として知識追跡タスクを再定式化することを可能にする。知識グラフ構造は,ほとんどの場合,明示的に提供されないので,グラフ構造の様々な実装を提案する。2つのオープンデータセットに関する経験的検証は,著者らの方法が学生性能の予測を潜在的に改善でき,いかなる追加情報も必要でない以前の方法と比較して,より解釈可能な予測を示した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習 ,  データ構造 ,  *ニューラルネットワーク ,  バイアス ,  定式化 ,  CAL【学習】
準シソーラス用語： グラフ構造 ,  オープンデータ , 【Automatic Indexing@JST】

著者キーワード (4件)： 教育データマイニング ,  グラフニューラルネットワーク ,  知識追跡 ,  科学の学習

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (7件)： グラフ ,  知識 ,  トレーシング ,  グラフニューラルネットワーク ,  学生 ,  習熟度 ,  モデリング