論文の概要: Educational Question Mining At Scale: Prediction, Analysis and Personalization

• arxiv url: http://arxiv.org/abs/2003.05980v2
• Date: Mon, 1 Mar 2021 04:04:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-24 15:59:40.375113
• Title: Educational Question Mining At Scale: Prediction, Analysis and Personalization
• Title（参考訳）: スケールでの教育的質問マイニング:予測・分析・パーソナライゼーション
• Authors: Zichao Wang, Sebastian Tschiatschek, Simon Woodhead, Jose Miguel Hernandez-Lobato, Simon Peyton Jones, Richard G. Baraniuk, Cheng Zhang
• Abstract要約: 大規模に教育的な問題から洞察を抽出する枠組みを提案する。 我々は最先端のベイズ深層学習法、特に部分変分オートエンコーダ(p-VAE)を利用する。 提案したフレームワークを,数万の質問と数千万の回答をオンライン教育プラットフォームから収集した実世界のデータセットに適用する。
• 参考スコア（独自算出の注目度）: 35.42197158180065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online education platforms enable teachers to share a large number of educational resources such as questions to form exercises and quizzes for students. With large volumes of available questions, it is important to have an automated way to quantify their properties and intelligently select them for students, enabling effective and personalized learning experiences. In this work, we propose a framework for mining insights from educational questions at scale. We utilize the state-of-the-art Bayesian deep learning method, in particular partial variational auto-encoders (p-VAE), to analyze real students' answers to a large collection of questions. Based on p-VAE, we propose two novel metrics that quantify question quality and difficulty, respectively, and a personalized strategy to adaptively select questions for students. We apply our proposed framework to a real-world dataset with tens of thousands of questions and tens of millions of answers from an online education platform. Our framework not only demonstrates promising results in terms of statistical metrics but also obtains highly consistent results with domain experts' evaluation.
• Abstract（参考訳）: オンライン教育プラットフォームにより、教師は質問などの多くの教育資源を共有でき、演習や学生のためのクイズを作成できる。 利用可能な質問が大量にある場合には,その属性を定量化し,生徒にインテリジェントに選び,効果的かつパーソナライズされた学習体験を実現するための自動化方法が重要である。 本研究では,大規模に教育的な質問から洞察を抽出する枠組みを提案する。 本研究では,最新のベイズディープラーニング手法,特に部分変分自動エンコーダ(p-VAE)を用いて,学生の回答を大量の質問に対して分析する。 p-vaeに基づいて,質問の質と難易度をそれぞれ定量化する2つの新しい指標と,学生の質問を適応的に選択するパーソナライズ戦略を提案する。 提案したフレームワークを,数万の質問と数千万の回答をオンライン教育プラットフォームから収集した実世界のデータセットに適用する。 我々のフレームワークは、統計メトリクスの観点から有望な結果を示すだけでなく、ドメインの専門家の評価と高度に一貫した結果を得る。

関連論文リスト

• UKP-SQuARE: An Interactive Tool for Teaching Question Answering [61.93372227117229]
  質問応答の指数的増加(QA)は、あらゆる自然言語処理(NLP)コースにおいて必須のトピックとなっている。 本稿では、QA教育のプラットフォームとしてUKP-SQuAREを紹介する。 学生は様々な視点から様々なQAモデルを実行、比較、分析することができる。
  論文  参考訳（メタデータ） (2023-05-31T11:29:04Z)
• Question-type Identification for Academic Questions in Online Learning Platform [1.3764085113103222]
  本稿では,オンライン学習プラットフォームにおけるコンテンツ理解のステップとしての質問型識別について検討する。 我々は、MCQ(Multiple-Choice Question)やエッセイなどを含む12の質問型クラスを定義した。 このデータセットを用いてBERTベースのアンサンブルモデルを訓練し、このモデルを別個の人間ラベルテストセットで評価した。
  論文  参考訳（メタデータ） (2022-11-24T17:28:29Z)
• Automatic Short Math Answer Grading via In-context Meta-learning [2.0263791972068628]
  本研究では,数学質問に対する児童生徒の回答に対する自動短解格付けの問題について検討する。 我々は、数学的な内容に適応した人気のある言語モデルBERTの変種である MathBERT をベースモデルとして使用しています。 第二に、言語モデルへの入力としてスコアリングサンプルを提供する、コンテキスト内学習アプローチを用いる。
  論文  参考訳（メタデータ） (2022-05-30T16:26:02Z)
• Question Personalization in an Intelligent Tutoring System [5.644357169513361]
  教科能力の異なる学生に合った質問を生成すれば,生徒の学習能力が向上することを示す。 この知見は,質問の言語的実現が学生の学習結果に影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2022-05-25T15:23:51Z)
• ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
  本稿では,フィードバックを数発の分類として提供するという課題について考察する。 メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。 本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
  論文  参考訳（メタデータ） (2021-07-23T22:41:28Z)
• Question Generation for Adaptive Education [7.23389716633927]
  深層知識追跡(LM-KT)のための事前学習言語モデルを微調整する方法を示す。 このモデルは、学生が正しい質問に答える確率を正確に予測し、訓練中に見えない質問に一般化する。 次に、LM-KTを用いて、モデルの訓練対象とデータを特定し、学生に条件付き質問を生成し、難易度を目標とする。
  論文  参考訳（メタデータ） (2021-06-08T11:46:59Z)
• Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
  パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。 近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
  論文  参考訳（メタデータ） (2021-01-19T12:23:32Z)
• Few-Shot Complex Knowledge Base Question Answering via Meta Reinforcement Learning [55.08037694027792]
  複雑な質問答え(CQA)は、知識ベース(KB)上の複雑な自然言語質問に答える。 従来のニューラルプログラム誘導(NPI)アプローチは、質問の種類が異なる場合、不均一なパフォーマンスを示す。 本稿では,CQAにおけるプログラム誘導のためのメタ強化学習手法を提案する。
  論文  参考訳（メタデータ） (2020-10-29T18:34:55Z)
• Neural Multi-Task Learning for Teacher Question Detection in Online Classrooms [50.19997675066203]
  教師の音声記録から質問を自動的に検出するエンドツーエンドのニューラルネットワークフレームワークを構築している。 マルチタスク学習手法を取り入れることで,質問の種類によって意味的関係の理解を深めることが可能となる。
  論文  参考訳（メタデータ） (2020-05-16T02:17:04Z)
• R2DE: a NLP approach to estimating IRT parameters of newly generated questions [3.364554138758565]
  R2DEは、質問のテキストを見て、新しく生成された複数の選択の質問を評価することができるモデルである。 特に、各質問の難易度と識別度を推定することができる。
  論文  参考訳（メタデータ） (2020-01-21T14:31:01Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。