論文の概要: Design and Analysis of a Multi-Agent E-Learning System Using Prometheus
Design Tool
- arxiv url: http://arxiv.org/abs/2007.09645v3
- Date: Thu, 25 Feb 2021 01:02:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 00:34:01.073058
- Title: Design and Analysis of a Multi-Agent E-Learning System Using Prometheus
Design Tool
- Title(参考訳): プロメテウス設計ツールを用いたマルチエージェントeラーニングシステムの設計と解析
- Authors: Kennedy E. Ehimwenma and Sujatha Krishnamoorthy
- Abstract要約: 本稿では,5つの対話エージェントの事前評価システムのモデル化にPrometheus AUMLアプローチを用いる。
プレアセスメントシステム(Pre-Acessment System)は,学生の事前学習スキルの評価を支援するために開発された,マルチエージェントベースのeラーニングシステムである。
- 参考スコア(独自算出の注目度): 3.04585143845864
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Agent unified modeling languages (AUML) are agent-oriented approaches that
supports the specification, design, visualization and documentation of an
agent-based system. This paper presents the use of Prometheus AUML approach for
the modeling of a Pre-assessment System of five interactive agents. The
Pre-assessment System, as previously reported, is a multi-agent based
e-learning system that is developed to support the assessment of prior learning
skills in students so as to classify their skills and make recommendation for
their learning. This paper discusses the detailed design approach of the system
in a step-by-step manner; and domain knowledge abstraction and organization in
the system. In addition, the analysis of the data collated and models of
prediction for future pre-assessment results are also presented.
- Abstract(参考訳): エージェント統合モデリング言語(AUML)はエージェントベースのシステムの仕様、設計、視覚化、ドキュメントをサポートするエージェント指向のアプローチである。
本稿では,5つの対話エージェントの事前評価システムのモデル化にPrometheus AUMLアプローチを用いる。
前述したように、事前評価システム(pre-assesment system)は、学生の事前学習スキルの評価を支援し、スキルを分類し、学習の推奨を行うマルチエージェントベースのe-ラーニングシステムである。
本稿では,システムの詳細な設計手法と,システムにおけるドメイン知識の抽象化と組織化について述べる。
また、データ照合の分析や将来の事前評価結果の予測モデルについても述べる。
関連論文リスト
- Learning Structure-Aware Representations of Dependent Types [4.247676991146969]
我々は、さまざまな機械学習アプリケーションをサポートするのに十分な精巧で広範なAgdaプログラムプロテクションのデータセットを導入してリリースする。
本稿では,基本原理ではなく構造に基づく依存型プログラムを忠実に表現することを目的とした,新しいニューラルアーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-02-03T09:56:37Z) - Interpretable and Explainable Machine Learning Methods for Predictive
Process Monitoring: A Systematic Literature Review [1.3812010983144802]
本稿では,機械学習モデル(ML)の予測プロセスマイニングの文脈における説明可能性と解釈可能性について,系統的に検討する。
我々は、様々なアプリケーション領域にまたがる現在の方法論とその応用の概要を概観する。
我々の研究は、プロセス分析のためのより信頼性が高く透明で効果的なインテリジェントシステムの開発と実装方法について、研究者や実践者がより深く理解することを目的としている。
論文 参考訳(メタデータ) (2023-12-29T12:43:43Z) - Instruction Tuning for Large Language Models: A Survey [52.86322823501338]
我々は、ITの一般的な方法論、ITデータセットの構築、ITモデルのトレーニング、異なるモダリティ、ドメイン、アプリケーションへのアプリケーションを含む、文献を体系的にレビューする。
また、ITの潜在的な落とし穴とそれに対する批判、および既存の戦略の現在の欠陥を指摘し、実りある研究の道筋を提案する。
論文 参考訳(メタデータ) (2023-08-21T15:35:16Z) - ZhiJian: A Unifying and Rapidly Deployable Toolbox for Pre-trained Model
Reuse [59.500060790983994]
本稿では、PyTorchバックエンドを利用して、モデル再利用のための包括的でユーザフレンドリなツールボックスであるZhiJianを紹介する。
ZhiJianは、PTMによるターゲットアーキテクチャ構築、PTMによるターゲットモデルチューニング、およびPTMに基づく推論を含む、モデル再利用に関するさまざまな視点を統一する新しいパラダイムを提示している。
論文 参考訳(メタデータ) (2023-08-17T19:12:13Z) - Understanding User Intent Modeling for Conversational Recommender
Systems: A Systematic Literature Review [1.3630870408844922]
我々は,会話レコメンデーションシステムの設計によく使用されるモデルについて,系統的な文献レビューを行った。
我々は,研究者がシステムに最も適したモデルを選択するのを支援するための意思決定モデルを開発した。
本研究は,より効果的でパーソナライズされた対話型レコメンデーションシステムの開発を支援する,ユーザ意図モデリングの実践的洞察と包括的理解に寄与する。
論文 参考訳(メタデータ) (2023-08-05T22:50:21Z) - A Survey on Large Language Models for Recommendation [80.01023231943205]
大規模言語モデル(LLM)は自然言語処理(NLP)の分野で強力なツールとして登場した。
本調査では,これらのモデルを2つの主要なパラダイム(DLLM4Rec)とジェネレーティブLSM4Rec(GLLM4Rec)に分類する。
論文 参考訳(メタデータ) (2023-05-31T13:51:26Z) - MLTEing Models: Negotiating, Evaluating, and Documenting Model and
System Qualities [1.1352560842946413]
MLTEは機械学習モデルとシステムを評価するためのフレームワークと実装である。
最先端の評価テクニックを組織プロセスにコンパイルする。
MLTEツールは、モデル要件を表現するためにチームが使用できるドメイン固有の言語を提供することで、このプロセスをサポートする。
論文 参考訳(メタデータ) (2023-03-03T15:10:38Z) - Retrieval-Enhanced Machine Learning [110.5237983180089]
本稿では,いくつかの既存モデルを含む汎用的な検索強化機械学習フレームワークについて述べる。
REMLは情報検索の慣例に挑戦し、最適化を含む中核領域における新たな進歩の機会を提示している。
REMLリサーチアジェンダは、情報アクセス研究の新しいスタイルの基礎を築き、機械学習と人工知能の進歩への道を開く。
論文 参考訳(メタデータ) (2022-05-02T21:42:45Z) - Multi Agent System for Machine Learning Under Uncertainty in Cyber
Physical Manufacturing System [78.60415450507706]
近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。
ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。
本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
論文 参考訳(メタデータ) (2021-07-28T10:28:05Z) - Explainable Recommender Systems via Resolving Learning Representations [57.24565012731325]
説明はユーザー体験を改善し、システムの欠陥を発見するのに役立つ。
本稿では,表現学習プロセスの透明性を向上させることによって,説明可能な新しい推薦モデルを提案する。
論文 参考訳(メタデータ) (2020-08-21T05:30:48Z) - A Systematic Literature Review on Federated Machine Learning: From A
Software Engineering Perspective [9.315446698757768]
フェデレートラーニング(Federated Learning)は、クライアントがローカルモデルをトレーニングし、ローカルモデル更新に基づいてグローバルモデルを定式化する、新たな機械学習パラダイムである。
ソフトウェア工学の観点から,231の初等研究に基づいて,系統的な文献レビューを行う。
データ合成は, 背景理解, 要件分析, アーキテクチャ設計, 実装, 評価を含む, 統合学習システムのライフサイクルをカバーする。
論文 参考訳(メタデータ) (2020-07-22T11:59:54Z)
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。