継続学習に基づく認知診断のためのメタ学習

この論文は、インテリジェント教育における重要な分野である認知診断における、ロングテールデータ分布と動的な変化という課題に対処しています。限られたデータでの新しいタスクにおけるモデルのパフォーマンスを向上させ、進化するスキルセットに適応するために、継続学習を活用した新しいメタ学習フレームワーク（MetaCD）を提案しています。初期化のためのメタ学習と、継続学習のためのパラメータ保護メカニズムの使用が重要な貢献です。この論文の重要性は、実際の教育現場における認知診断モデルの精度と適応性を高める可能性にあります。

• •認知診断のためのメタ学習フレームワークMetaCDを提案。
• •教育データにおけるロングテールデータと動的な変化に対処。
• •初期化にメタ学習、適応に継続学習を利用。
• •実世界のデータセットで精度と汎化性能の向上を実証。