Multi-granulariy Time-based Transformer for Knowledge Tracing

要約

本稿では、標準テストにおける生徒の成績を予測するための変換アーキテクチャを紹介する。具体的には、過去のテストの成績、学習習慣、その他の関連情報を含む生徒の履歴データを活用し、各生徒にパーソナライズされたモデルを作成する。そして、これらのモデルを使用して、与えられたテストでの将来の成績を予測します。このモデルをRIIIDデータセットに適用することで、デコーダ入力として時間特徴量の複数の粒度を使用することで、モデルの性能が大幅に向上することを実証する。また、我々の結果は、LightGBM法を大幅に改善し、我々のアプローチの有効性を示している。我々の研究は、教育におけるAIの成長分野に貢献し、生徒の結果を予測するためのスケーラブルで正確なツールを提供する。

要約(オリジナル)

In this paper, we present a transformer architecture for predicting student performance on standardized tests. Specifically, we leverage students historical data, including their past test scores, study habits, and other relevant information, to create a personalized model for each student. We then use these models to predict their future performance on a given test. Applying this model to the RIIID dataset, we demonstrate that using multiple granularities for temporal features as the decoder input significantly improve model performance. Our results also show the effectiveness of our approach, with substantial improvements over the LightGBM method. Our work contributes to the growing field of AI in education, providing a scalable and accurate tool for predicting student outcomes.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL