論文の概要: Choose Your Own Question: Encouraging Self-Personalization in Learning Path Construction

• arxiv url: http://arxiv.org/abs/2005.03818v1
• Date: Fri, 8 May 2020 01:53:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 12:50:40.036310
• Title: Choose Your Own Question: Encouraging Self-Personalization in Learning Path Construction
• Title（参考訳）: 自分の質問を選ぶ - 学習経路構築における自己のパーソナライゼーションの促進
• Authors: Youngduck Choi, Yoonho Na, Youngjik Yoon, Jonghun Shin, Chan Bae, Hongseok Suh, Byungsoo Kim, Jaewe Heo
• Abstract要約: 本稿では,対話型教育システム(IES)の一般クラスを対象としたTinderライクなユーザインタフェースであるRocketを紹介する。 Rocketは、AI(Artificial Intelligence)が抽出した学習教材の特徴を視覚的に表現する。 Rocketは、生徒の能力やニーズに関する知識を活用することで、学習経験の自己個人化を可能にする。
• 参考スコア（独自算出の注目度）: 1.6505359493498744
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning Path Recommendation is the heart of adaptive learning, the educational paradigm of an Interactive Educational System (IES) providing a personalized learning experience based on the student's history of learning activities. In typical existing IESs, the student must fully consume a recommended learning item to be provided a new recommendation. This workflow comes with several limitations. For example, there is no opportunity for the student to give feedback on the choice of learning items made by the IES. Furthermore, the mechanism by which the choice is made is opaque to the student, limiting the student's ability to track their learning. To this end, we introduce Rocket, a Tinder-like User Interface for a general class of IESs. Rocket provides a visual representation of Artificial Intelligence (AI)-extracted features of learning materials, allowing the student to quickly decide whether the material meets their needs. The student can choose between engaging with the material and receiving a new recommendation by swiping or tapping. Rocket offers the following potential improvements for IES User Interfaces: First, Rocket enhances the explainability of IES recommendations by showing students a visual summary of the meaningful AI-extracted features used in the decision-making process. Second, Rocket enables self-personalization of the learning experience by leveraging the students' knowledge of their own abilities and needs. Finally, Rocket provides students with fine-grained information on their learning path, giving them an avenue to assess their own skills and track their learning progress. We present the source code of Rocket, in which we emphasize the independence and extensibility of each component, and make it publicly available for all purposes.
• Abstract（参考訳）: 学習経路推薦は適応型学習の心臓であり、学生の学習活動の歴史に基づいたパーソナライズされた学習体験を提供する対話型教育システム(ies)の教育パラダイムである。 典型的なiessでは、生徒は推奨の学習アイテムを完全に消費して、新しい推薦を与える必要がある。 このワークフローにはいくつかの制限がある。 例えば、学生がIESによる学習項目の選択についてフィードバックする機会はない。 さらに、選択するメカニズムは学生にとって不透明であり、生徒が学習を追跡する能力を制限する。 この目的のために,一般的なIESのためのTinderライクなユーザインタフェースであるRocketを紹介した。 Rocketは、AI(Artificial Intelligence)が抽出した学習教材の特徴を視覚的に表現する。 生徒は、材料への取り組みと、スワイプやタップによって新しい推薦を受けるかを選択できる。 第一に、rocketは、意思決定プロセスで使用される有意義なai抽出機能の視覚的な要約を示すことによって、ies推奨の説明可能性を高める。 第二に、rocketは学生の能力やニーズの知識を活用し、学習体験の自己パーソナライズを可能にする。 最後に、rocketは学生に学習経路に関する詳細な情報を提供し、彼ら自身のスキルを評価し、学習の進捗を追跡する手段を提供する。 我々は、各コンポーネントの独立性と拡張性を強調するrocketのソースコードを提示し、あらゆる目的のために公開する。

関連論文リスト

• YODA: Teacher-Student Progressive Learning for Language Models [82.0172215948963]
  本稿では,教師が指導するプログレッシブ・ラーニング・フレームワークであるYodaを紹介する。 モデルファインチューニングの有効性を向上させるために,教師の教育過程をエミュレートする。 実験の結果, YODAのデータによるLLaMA2のトレーニングにより, SFTは大幅に向上した。
  論文  参考訳（メタデータ） (2024-01-28T14:32:15Z)
• Improved Performances and Motivation in Intelligent Tutoring Systems: Combining Machine Learning and Learner Choice [0.0]
  選択の付加は本質的な動機づけを引き起こし,LPに基づくパーソナライゼーションの学習効果を高めることを示す。 本研究は,カリキュラムのパーソナライズが学習者にとって有効である場合に限り,遊び的特徴によって引き起こされる本質的な動機が有益であることを示す。
  論文  参考訳（メタデータ） (2024-01-16T13:41:00Z)
• Knowledge Tracing Challenge: Optimal Activity Sequencing for Students [0.9814642627359286]
  知識追跡(きゅうがく、英: Knowledge Trace)は、個々の学習者による知識の獲得を評価・追跡する教育において用いられる手法である。 我々は,AAAI2023 Global Knowledge Tracing Challengeの一環として,新たにリリースされたデータセット上に2つの知識追跡アルゴリズムを実装した結果を示す。
  論文  参考訳（メタデータ） (2023-11-13T16:28:34Z)
• Towards Scalable Adaptive Learning with Graph Neural Networks and Reinforcement Learning [0.0]
  学習経路のパーソナライズに関する問題に対して,フレキシブルでスケーラブルなアプローチを導入する。 我々のモデルはグラフニューラルネットワークに基づく逐次レコメンデーションシステムである。 以上の結果から,小規模データ体制における適切なレコメンデーションを学習できることが示唆された。
  論文  参考訳（メタデータ） (2023-05-10T18:16:04Z)
• Reinforcement Learning Tutor Better Supported Lower Performers in a Math Task [32.6507926764587]
  強化学習は、開発コストを削減し、インテリジェントな学習ソフトウェアの有効性を向上させるための重要なツールとなり得る。 本研究では, 深層強化学習を用いて, 音量の概念を学習する学生に適応的な教育支援を行うことができることを示す。
  論文  参考訳（メタデータ） (2023-04-11T02:11:24Z)
• Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
  我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。 まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。 トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
  論文  参考訳（メタデータ） (2022-11-24T13:18:27Z)
• A Machine Learning system to monitor student progress in educational institutes [0.0]
  本稿では、機械学習技術を用いて、クレジットスコアと呼ばれる分類器を生成するデータ駆動手法を提案する。 信用スコアを進捗指標として使うという提案は、学習管理システムで使うのに適している。
  論文  参考訳（メタデータ） (2022-11-02T08:24:08Z)
• 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)
• Point Adversarial Self Mining: A Simple Method for Facial Expression Recognition [79.75964372862279]
  本稿では,表情認識における認識精度を向上させるために,PASM(Point Adversarial Self Mining)を提案する。 PASMは、目標タスクに関連する最も情報性の高い位置を見つけるために、ポイント敵攻撃法と訓練された教師ネットワークを使用する。 適応学習教材の生成と教師/学生の更新を複数回行うことができ、ネットワーク能力が反復的に向上する。
  論文  参考訳（メタデータ） (2020-08-26T06:39:24Z)
• Attentional Graph Convolutional Networks for Knowledge Concept Recommendation in MOOCs in a Heterogeneous View [72.98388321383989]
  大規模なオープンオンラインコース(MOOC)は、学生が知識を習得するための大規模かつオープンな学習機会を提供する。 学生の関心を惹きつけるため、MOOCsプロバイダによる推薦制度が採用され、学生にコースを推薦する。 そこで本研究では,MOOCにおける知識概念レコメンデーションのために,Attentional Heterogeneous Graph Convolutional Deep Knowledge Recommender (ACKRec) という,エンドツーエンドのグラフニューラルネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-23T18:28:08Z)
• Explainable Active Learning (XAL): An Empirical Study of How Local Explanations Impact Annotator Experience [76.9910678786031]
  本稿では、最近急増している説明可能なAI(XAI)のテクニックをアクティブラーニング環境に導入することにより、説明可能なアクティブラーニング(XAL)の新たなパラダイムを提案する。 本研究は,機械教育のインタフェースとしてのAI説明の利点として,信頼度校正を支援し,リッチな形式の教示フィードバックを可能にすること,モデル判断と認知作業負荷による潜在的な欠点を克服する効果を示す。
  論文  参考訳（メタデータ） (2020-01-24T22:52:18Z)

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。