論文の概要: Learn-Apply-Reinforce/Share Learning: Hackathons and CTFs as General Pedagogic Tools in Higher Education, and Their Applicability to Distance Learning

• arxiv url: http://arxiv.org/abs/2006.04226v1
• Date: Sun, 7 Jun 2020 18:41:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-16 09:06:54.444848
• Title: Learn-Apply-Reinforce/Share Learning: Hackathons and CTFs as General Pedagogic Tools in Higher Education, and Their Applicability to Distance Learning
• Title（参考訳）: learn-apply-reinforce/share learning: 高等教育における一般教育ツールとしてのハッカソンとctfsとその遠隔学習への適用性
• Authors: Tom Goodman and Andreea-Ina Radu
• Abstract要約: 本稿では,コンピュータ科学でますます普及しつつある2つの教科/学習手法について述べる。 それぞれのケーススタディを解析し、そのアンダーピンニング類似性を抽出する。 フレームワークは学習・応用・強化・共有学習に一般化される。
• 参考スコア（独自算出の注目度）: 0.26651200086513094
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper lays out two teaching/learning methods that are becoming increasingly prevalent in computer science - hackathons, and Capture the Flag (CTF) competitions - and the pedagogic theory that underpins them. A case study of each is analysed, and the underpinning similarities extracted. The frameworks are then generalised to Learn-Apply-Reinforce/Share Learning - a social constructivistic method that can be used subject-independently. The applicability of this new method to distance learning is then investigated - with a mind to potential necessity to work from home - both due to increasing demand in the Higher Education sector, but also the devastating impact of crises such as the ongoing COVID-19 pandemic. Finally, a few potential extensions and future applications are discussed - including the possibilities of pivoting the method to be more research-driven, or indeed, to drive research.
• Abstract（参考訳）: 本稿では,コンピュータサイエンスにおいて,ハッカソンやフラッグ捕獲(CTF)コンペティションなど,ますます普及しつつある2つの教科/学習手法と,それらを支える教育理論について述べる。 それぞれのケーススタディを解析し、その基盤となる類似性を抽出する。 フレームワークは、学習・適用・強化・共有学習(learning-apply-reinforce/share learning)に一般化される。 遠隔学習への新たな手法の適用性については、高等教育分野の需要の増加に加えて、新型コロナウイルスのパンデミックなどの危機の影響も考慮し、在宅勤務の必要性を念頭に検討する。 最後に、いくつかの潜在的な拡張と将来の応用について論じられ、研究を進めるためにメソッドをもっと研究駆動に、あるいは実際に、ピボットする可能性を含む。

関連論文リスト

• Let Students Take the Wheel: Introducing Post-Quantum Cryptography with Active Learning [4.804847392457553]
  ポスト量子暗号(PQC)は、既存のソフトウェアシステムをセキュアにするためのソリューションとして認識されている。 本研究は,PQCを大学生や大学院生に教える上での,新たなアクティブラーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-10-17T01:52:03Z)
• Towards a Categorical Foundation of Deep Learning: A Survey [0.0]
  この論文は、機械学習を分類的に研究しようとする最近の研究をカバーしている。 数学と科学の言語フランスとして働く カテゴリー理論は 機械学習の分野に 統一的な構造を与えるかもしれない
  論文  参考訳（メタデータ） (2024-10-07T13:11:16Z)
• RLIF: Interactive Imitation Learning as Reinforcement Learning [56.997263135104504]
  我々は,対話型模倣学習と類似するが,さらに実践的な仮定の下で,非政治強化学習によってパフォーマンスが向上できることを実証する。 提案手法は,ユーザ介入信号を用いた強化学習を報奨として利用する。 このことは、インタラクティブな模倣学習において介入する専門家がほぼ最適であるべきだという仮定を緩和し、アルゴリズムが潜在的に最適でない人間の専門家よりも改善される行動を学ぶことを可能にする。
  論文  参考訳（メタデータ） (2023-11-21T21:05:21Z)
• Exploring Machine Learning Models for Federated Learning: A Review of Approaches, Performance, and Limitations [1.1060425537315088]
  フェデレートラーニング(Federated Learning)は、個人のデータのプライバシを保護するために強化された分散学習フレームワークである。 危機時には、リアルタイムな意思決定が重要である場合、フェデレートされた学習は、機密データを共有せずに複数のエンティティをまとめて機能させることができる。 本稿では,ここ数年のプライバシ保護機械学習に関する文献を体系的にレビューする。
  論文  参考訳（メタデータ） (2023-11-17T19:23:21Z)
• Combined Federated and Split Learning in Edge Computing for Ubiquitous Intelligence in Internet of Things: State of the Art and Future Directions [1.8259323824078306]
  フェデレートラーニング(FL)とスプリットラーニング(SL)は、IoT(Internet of Things)におけるユビキタスインテリジェンスを大幅に促進する2つの新しいコラボレーティブラーニング手法である。 フェデレートラーニングと分割ラーニングの最新の展開をレビューし、エッジコンピューティングベースのIoT環境においてこれらの2つのラーニング手法を組み合わせるための最先端技術について調査する。
  論文  参考訳（メタデータ） (2022-07-20T01:31:22Z)
• A Survey of Knowledge Tracing: Models, Variants, and Applications [70.69281873057619]
  知識追跡は、学生の行動データ分析の基本的なタスクの1つである。 我々は、異なる技術経路を持つ3種類の基本KTモデルを示す。 この急速に成長する分野における今後の研究の方向性について論じる。
  論文  参考訳（メタデータ） (2021-05-06T13:05:55Z)
• Exploring Bayesian Deep Learning for Urgent Instructor Intervention Need in MOOC Forums [58.221459787471254]
  大規模なオープンオンラインコース(MOOC)は、その柔軟性のおかげで、eラーニングの一般的な選択肢となっている。 多くの学習者とその多様な背景から、リアルタイムサポートの提供は課税されている。 MOOCインストラクターの大量の投稿と高い作業負荷により、インストラクターが介入を必要とするすべての学習者を識別できる可能性は低いです。 本稿では,モンテカルロドロップアウトと変分推論という2つの手法を用いて,学習者によるテキスト投稿のベイジアン深層学習を初めて検討する。
  論文  参考訳（メタデータ） (2021-04-26T15:12:13Z)
• Emerging Trends in Federated Learning: From Model Fusion to Federated X Learning [65.06445195580622]
  フェデレートラーニング(Federated Learning)は、データ収集とモデルトレーニングを、マルチパーティの計算とモデルアグリゲーションを通じて分離する新しいパラダイムである。 我々は、他の学習アルゴリズムとともに、フェデレーション学習の焦点を絞った調査を行う。
  論文  参考訳（メタデータ） (2021-02-25T15:18:13Z)
• Transfer Learning in Deep Reinforcement Learning: A Survey [64.36174156782333]
  強化学習は、シーケンシャルな意思決定問題を解決するための学習パラダイムである。 近年、ディープニューラルネットワークの急速な発展により、強化学習の顕著な進歩が見られた。 転校学習は 強化学習が直面する様々な課題に 対処するために生まれました
  論文  参考訳（メタデータ） (2020-09-16T18:38:54Z)
• Curriculum Learning for Reinforcement Learning Domains: A Framework and Survey [53.73359052511171]
  強化学習(Reinforcement Learning, RL)は、エージェントが限られた環境フィードバックしか持たないシーケンシャルな意思決定タスクに対処するための一般的なパラダイムである。 本稿では、RLにおけるカリキュラム学習(CL)の枠組みを提案し、既存のCLメソッドを仮定、能力、目標の観点から調査・分類する。
  論文  参考訳（メタデータ） (2020-03-10T20:41:24Z)

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。