[論文レビュー] FASTER Recurrent Networks for Video Classification.

Linchao Zhu, Laura Sevilla-Lara+4 more|arXiv (Cornell University)|Jun 10, 2019

Human Pose and Action Recognition被引用数 4

ひとこと要約

本稿では、NLPの講義資料1,352件と、手作業でラベル付けされた208の前提関係を含む LectureBank データセットを紹介する。このデータセットにより、コースの概念的依存関係の学習が可能となり、カリキュラム設計やリーディングリスト生成などの応用が支援される。埋め込みベースの手法とニューラル／グラフベースのモデルを用いて、前提関係の予測性能が向上することを示している。

ABSTRACT

Recent years have witnessed the rising popularity of Natural Language Processing (NLP) and related fields such as Artificial Intelligence (AI) and Machine Learning (ML). Many online courses and resources are available even for those without a strong background in the field. Often the student is curious about a specific topic but does not quite know where to begin studying. To answer the question of “what should one learn first,”we apply an embedding-based method to learn prerequisite relations for course concepts in the domain of NLP. We introduce LectureBank, a dataset containing 1,352 English lecture files collected from university courses which are each classified according to an existing taxonomy as well as 208 manually-labeled prerequisite relation topics, which is publicly available 1. The dataset will be useful for educational purposes such as lecture preparation and organization as well as applications such as reading list generation. Additionally, we experiment with neural graph-based networks and non-neural classifiers to learn these prerequisite relations from our dataset.

研究の動機と目的

• 効果的な学習パスを実現するため、NLPコースの概念間の前提関係を特定する課題に対処すること。
• 教育AIアプリケーション向けに、公開可能で高品質な講義ファイルデータセットを構築し、前提関係をラベル付けすること。
• 講義コンテンツと分類体系からの学習による前提構造の学習において、ニューラルモデルと非ニューラルモデルの両方を評価すること。
• 学習済みの概念的依存関係を活用して、リーディングリスト生成や講義の整理などの教育的応用を支援すること。

提案手法

• 著者らは、大学のNLPコースから1,352件の英語講義資料を収集し、既存の分類体系を用いて分類した。
• コースの概念間の208の前提関係を手作業でラベル付けし、LectureBankデータセットを構築した。
• 講義テキストから概念の埋め込み表現を学習し、共通のベクトル空間にコースのトピックを表現した。
• 埋め込み表現と分類体系の構造を入力として、ニューラルグラフベースのモデルと非ニューラル分類器を訓練し、前提関係を予測した。
• モデルの性能を、前提関係の学習および予測の観点から、データセットを用いて評価した。
• テキストコンテンツと構造的分類体系の両方の情報を活用することで、関係予測の性能を向上させた。

実験結果

リサーチクエスチョン

• RQ1 NLPコースの概念間の前提関係を学習する際に、埋め込みベースの手法の有効性はいかほどか？
• RQ2 非ニューラル分類器と比較して、ニューラルグラフベースのモデルは、前提関係の予測においてどの程度の性能を示すか？
• RQ3 講義コンテンツと分類体系の構造を併用することで、前提関係の予測性能はどの程度向上するか？
• RQ4 LectureBankデータセットは、リーディングリスト生成などの下流教育的応用において、どの程度有用か？

主な発見

• LectureBankデータセットには1,352件の講義資料と208件の手作業ラベル付き前提関係が含まれており、研究目的で公開されている。
• 埋め込みベースの手法は、NLPコースの概念間の意味的・構造的依存関係を効果的に捉えている。
• ニューラルグラフベースのモデルは、非ニューラル分類器よりも、このデータセットを用いた前提関係予測において優れた性能を示している。
• コースの概念的依存関係をモデル化することで、カリキュラム設計やリーディングリスト生成といった実用的応用が可能になる。