Core Concepts
LoReKT는 낮은 자원 지식 추적 작업에서 성능을 향상시키기 위한 프레임워크로, 사전 훈련 및 세밀 조정을 통해 중요한 매개변수를 업데이트하는 중요성 메커니즘을 활용합니다.
Abstract
지식 추적(KT)은 학생의 지식 습득을 추정하는 것을 목표로 합니다.
DLKT 모델은 대량의 학생 상호작용에 의존하며, LoReKT는 이러한 모델을 낮은 자원 KT 데이터셋에 적응시키기 위한 프레임워크입니다.
LoReKT는 사전 훈련 단계에서 풍부한 자원 KT 데이터셋에서 전송 가능한 매개변수 및 표현을 학습하고, 세밀 조정 단계에서 중요성 메커니즘을 활용하여 특정 낮은 자원 KT 데이터셋에 빠르게 적응합니다.
실험 결과는 LoReKT가 AUC 및 정확도 측면에서 우수한 성과를 보인다는 것을 입증합니다.
Stats
LoReKT-Base-221M은 EdNet 데이터셋에서 12.59%의 성능 향상을 보임.
LoReKT-Ft-impt-221M은 AS2009 및 AL2005 데이터셋에서 모든 기준선 방법을 능가함.
Quotes
"LoReKT-Ft-impt-221M은 모든 낮은 자원 KT 데이터셋에서 강력한 성능을 보여줌."