MERIT：解釈可能な知識トレーシングのためのメモリ強化リトリーバル
arXiv cs.AI / 2026/3/25
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、学生の成績モデリングにおける高い予測精度を維持しつつ、解釈可能性の向上を目的とした、学習不要のKnowledge TracingフレームワークMERITを提案する。
- LLMのファインチューニングの代わりに、MERITは推論のために凍結（固定）したLLMを用い、相互作用ログを潜在的な認知スキーマへ変換し、代表的な誤りパターンのパラダイムバンクを構築することで、解釈可能な「メモリバンク」を作り上げる。
- セマンティック・デノイジングにより認知スキーマにもとづいて学生をクラスタリングし、誤りパターンをオフラインで分析して、より高い透明性のための明示的なChain-of-Thought（思考の連鎖）による推論根拠を生成する。
- 推論時には、階層的ルーティングにより関連する文脈情報をリトリーブし、セマンティック制約を備えたロジック拡張モジュールで予測をキャリブレーションする。
- 著者らは、計算コストを削減し、勾配更新なしで動的な知識更新を可能にしながら、実世界データセットで最先端の結果を報告している。
広告
