Zero-1-to-3: Domain-level Zero-shot Cognitive Diagnosis via One Batch of Early-bird Students towards Three Diagnostic Objectives

要約

認知診断では、記録された練習クイズ データを調査することで、生徒の認知状態を推定しようとします。
インテリジェントな教育システム内で個人に合わせた学習指導において極めて重要な役割を果たします。
この論文では、重要かつ実用的であるにもかかわらず十分に検討されていないことが多いタスクであるドメインレベルのゼロショット認知診断 (DZCD) に焦点を当てます。これは、新しく立ち上げられたドメインでの学生の実践ログが存在しないために発生します。
最近のクロスドメイン診断モデルは、DZCD にとって有望な戦略であることが実証されています。
これらのメソッドは主に、ドメイン間でスチューデントの状態を転送する方法に焦点を当てています。
ただし、生徒の表現に譲渡不可能な情報を誤って組み込んでしまい、知識伝達の有効性が制限される可能性があります。
これに取り組むために、私たちは Zero-1-to-3 を提案します。これは、3 つの診断目標に向けた早期受講生の 1 つのバッチによるドメインレベルのゼロショット認知診断フレームワークです。
私たちのアプローチは、スチューデントの状態をド​​メイン共有部分とドメイン固有部分に分離するデュアル正則化子を使用して診断モデルを事前トレーニングすることから始まります。
共有された認知信号をターゲット ドメインに転送して、新しいドメインの認知事前分布を強化し、認知状態の伝播目標を確実に達成することができます。
続いて、初期段階の生徒の行動パターンを分析することで、コールド スタートの生徒向けの模擬練習ログを生成する戦略を考案し、ドメイン適応の目標を達成しました。
その結果、診断指向の目標に沿って、仮想データを介した診断結果としてコールドスタートの学生の認知状態を改良します。
最後に、6 つの現実世界のデータセットに対する広範な実験により、DZCD に対するモデルの有効性と、問題となっている推奨事項の実用化が強調されています。

要約(オリジナル)

Cognitive diagnosis seeks to estimate the cognitive states of students by exploring their logged practice quiz data. It plays a pivotal role in personalized learning guidance within intelligent education systems. In this paper, we focus on an important, practical, yet often underexplored task: domain-level zero-shot cognitive diagnosis (DZCD), which arises due to the absence of student practice logs in newly launched domains. Recent cross-domain diagnostic models have been demonstrated to be a promising strategy for DZCD. These methods primarily focus on how to transfer student states across domains. However, they might inadvertently incorporate non-transferable information into student representations, thereby limiting the efficacy of knowledge transfer. To tackle this, we propose Zero-1-to-3, a domain-level zero-shot cognitive diagnosis framework via one batch of early-bird students towards three diagnostic objectives. Our approach initiates with pre-training a diagnosis model with dual regularizers, which decouples student states into domain-shared and domain-specific parts. The shared cognitive signals can be transferred to the target domain, enriching the cognitive priors for the new domain, which ensures the cognitive state propagation objective. Subsequently, we devise a strategy to generate simulated practice logs for cold-start students through analyzing the behavioral patterns from early-bird students, fulfilling the domain-adaption goal. Consequently, we refine the cognitive states of cold-start students as diagnostic outcomes via virtual data, aligning with the diagnosis-oriented goal. Finally, extensive experiments on six real-world datasets highlight the efficacy of our model for DZCD and its practical application in question recommendation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google