論文の概要: Translating the Concept of Goal Setting into Practice -- What 'Else' does it Require than a Goal Setting Tool?

• arxiv url: http://arxiv.org/abs/2005.08669v1
• Date: Mon, 18 May 2020 12:57:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-19 11:24:09.312334
• Title: Translating the Concept of Goal Setting into Practice -- What 'Else' does it Require than a Goal Setting Tool?
• Title（参考訳）: ゴール設定の概念を実践に翻訳する - ゴール設定ツールよりも、どんな'Else'が必要なのか?
• Authors: G\'abor Kismih\'ok, Catherine Zhao, Micha\'ela C. Schippers, Stefan T. Mol, Scott Harrison and Shady Shehata
• Abstract要約: 教育における目標設定アプリケーションの主な障壁は、技術、利用可能なデータ、分析方法に関係せず、むしろ人間的要因である。 最も重要なボトルネックは、生徒の目標設定スキルと能力の欠如と、現在のカリキュラム設計である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This conceptual paper reviews the current status of goal setting in the area of technology enhanced learning and education. Besides a brief literature review, three current projects on goal setting are discussed. The paper shows that the main barriers for goal setting applications in education are not related to the technology, the available data or analytical methods, but rather the human factor. The most important bottlenecks are the lack of students goal setting skills and abilities, and the current curriculum design, which, especially in the observed higher education institutions, provides little support for goal setting interventions.
• Abstract（参考訳）: 本稿では,技術強化学習・教育分野における目標設定の現状について概説する。 簡単な文献レビューの他に、ゴール設定に関する3つのプロジェクトについて議論する。 本稿は, 教育における目標設定応用における主な障壁が, 技術やデータ, 分析方法ではなく, 人的要因に関係していることを示す。 最も重要なボトルネックは、生徒の目標設定スキルと能力の欠如であり、現在のカリキュラム設計は、特に観察された高等教育機関において、目標設定介入をほとんどサポートしていない。

関連論文リスト

• Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
  ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。 また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
  論文  参考訳（メタデータ） (2024-05-13T14:44:22Z)
• CQM: Curriculum Reinforcement Learning with a Quantized World Model [30.21954044028645]
  本稿では,カリキュラムプロセスに不可欠な情報を含む意味目標空間を自動的に定義する新しいカリキュラム手法を提案する。 自動ゴール空間上の最終目標に収束する不確実性と時間的距離対応のカリキュラム目標を提案する。 また、エゴ中心の視覚入力においても、データ効率と性能に関する最先端のカリキュラムRL法よりも、様々な目標達成タスクにおいて優れています。
  論文  参考訳（メタデータ） (2023-10-26T11:50:58Z)
• Discrete Factorial Representations as an Abstraction for Goal Conditioned Reinforcement Learning [99.38163119531745]
  離散化ボトルネックを適用することにより,目標条件付きRLセットアップの性能が向上することを示す。 分布外目標に対する期待した回帰を実験的に証明し、同時に表現的な構造で目標を指定できるようにします。
  論文  参考訳（メタデータ） (2022-11-01T03:31:43Z)
• Goal-Conditioned Q-Learning as Knowledge Distillation [136.79415677706612]
  目標条件設定における非政治強化学習と知識蒸留との関連について検討する。 これは,目標の空間が高次元である場合に,目標条件付き非政治強化学習の性能を向上させることを実証的に示す。 また,複数のスパース目標を同時に達成した場合に,この手法を効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2022-08-28T22:01:10Z)
• AANG: Automating Auxiliary Learning [110.36191309793135]
  補助目的の集合を自動生成する手法を提案する。 我々は、新しい統合分類体系の中で既存の目的を分解し、それらの関係を識別し、発見された構造に基づいて新しい目的を創出することで、これを実現する。 これにより、生成された目的物の空間を探索し、指定されたエンドタスクに最も有用なものを見つけるための、原理的かつ効率的なアルゴリズムが導かれる。
  論文  参考訳（メタデータ） (2022-05-27T16:32:28Z)
• Goal Recognition as Reinforcement Learning [20.651718821998106]
  モデルレス強化学習と目標認識を組み合わせたフレームワークを開発する。 このフレームワークは、2つの主要なステージで構成されている。 その結果、標準評価領域における目標認識器に対する最先端の性能とノイズの多い環境における優れた性能が達成される。
  論文  参考訳（メタデータ） (2022-02-13T16:16:43Z)
• Common Language for Goal-Oriented Semantic Communications: A Curriculum Learning Framework [66.81698651016444]
  目標指向タスク実行を実現するための包括的セマンティックコミュニケーションフレームワークを提案する。 カリキュラム学習(CL)と強化学習(RL)を組み合わせた新しいトップダウンフレームワークを提案する。 シミュレーションの結果,提案手法は,学習中の収束時間,タスク実行時間,送信コストにおいて従来のRLよりも優れていた。
  論文  参考訳（メタデータ） (2021-11-15T19:13:55Z)
• Goal-Aware Cross-Entropy for Multi-Target Reinforcement Learning [15.33496710690063]
  本稿では,目標認識型クロスエントロピー(GACE)ロスを提案する。 次に、目標関連情報を利用して与えられた指示に集中する目標識別型注意ネットワーク(GDAN)を考案する。
  論文  参考訳（メタデータ） (2021-10-25T14:24:39Z)
• Automatic Curriculum Learning through Value Disagreement [95.19299356298876]
  新しい未解決タスクを継続的に解決することが、多様な行動を学ぶための鍵です。 エージェントが複数の目標を達成する必要があるマルチタスク領域では、トレーニング目標の選択はサンプル効率に大きな影響を与える可能性がある。 そこで我々は,エージェントが解決すべき目標のための自動カリキュラムを作成することを提案する。 提案手法は,13のマルチゴールロボットタスクと5つのナビゲーションタスクにまたがって評価し,現在の最先端手法よりも高い性能を示す。
  論文  参考訳（メタデータ） (2020-06-17T03:58:25Z)

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。