No Length Left Behind: Enhancing Knowledge Tracing for Modeling Sequences of Excessive or Insufficient Lengths

要約

知識追跡 (KT) は、過去の質問応答行動に基づいて、演習に対する生徒の反応を予測することを目的としています。
ただし、現在のほとんどの KT メソッドは全体的な AUC を改善することに焦点を当てており、過剰または不十分な長さのシーケンスをモデリングする際に最適化の余地が十分に残されています。
シーケンスが長くなるにつれて、計算コストは​​指数関数的に増加します。
したがって、KT メソッドは通常、シーケンスを許容可能な長さに切り詰めます。そのため、オンライン サービス システム上のモデルが、長すぎるシーケンスを持つ生徒の過去の練習行動を完全に捕捉することが困難になります。
逆に、ほとんどの KT 手法を使用して短い練習シーケンスで生徒をモデル化すると、観察サンプルが限られているために過剰適合が発生する可能性があります。
上記の制限に対処するために、私たちは Sequence-Flexible Knowledge Tracing (SFKT) と呼ばれるモデルを提案します。

要約(オリジナル)

Knowledge tracing (KT) aims to predict students’ responses to practices based on their historical question-answering behaviors. However, most current KT methods focus on improving overall AUC, leaving ample room for optimization in modeling sequences of excessive or insufficient lengths. As sequences get longer, computational costs will increase exponentially. Therefore, KT methods usually truncate sequences to an acceptable length, which makes it difficult for models on online service systems to capture complete historical practice behaviors of students with too long sequences. Conversely, modeling students with short practice sequences using most KT methods may result in overfitting due to limited observation samples. To address the above limitations, we propose a model called Sequence-Flexible Knowledge Tracing (SFKT).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google