論文の概要: Educational Content Linking for Enhancing Learning Need Remediation in
MOOCs
- arxiv url: http://arxiv.org/abs/2012.15826v2
- Date: Tue, 12 Jan 2021 15:33:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-17 20:34:51.876745
- Title: Educational Content Linking for Enhancing Learning Need Remediation in
MOOCs
- Title(参考訳): MOOCにおける学習ニーズ改善のための教育コンテンツリンク
- Authors: Shang-Wen Li
- Abstract要約: 2011年に導入されて以来、web上のさまざまなテーマに4000以上のmoocがあり、3500万人以上の学習者が参加している。
この論文は、教育コンテンツリンクという枠組みを提案する。
様々な教材に散在する学習コンテンツを簡単にアクセス可能な構造にリンクし、整理することで、学習者の指導とコンテンツナビゲーションの改善が期待できます。
- 参考スコア(独自算出の注目度): 1.7259824817932292
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Since its introduction in 2011, there have been over 4000 MOOCs on various
subjects on the Web, serving over 35 million learners. MOOCs have shown the
ability to democratize knowledge dissemination and bring the best education in
the world to every learner. However, the disparate distances between
participants, the size of the learner population, and the heterogeneity of the
learners' backgrounds make it extremely difficult for instructors to interact
with the learners in a timely manner, which adversely affects learning
experience. To address the challenges, in this thesis, we propose a framework:
educational content linking. By linking and organizing pieces of learning
content scattered in various course materials into an easily accessible
structure, we hypothesize that this framework can provide learners guidance and
improve content navigation. Since most instruction and knowledge acquisition in
MOOCs takes place when learners are surveying course materials, better content
navigation may help learners find supporting information to resolve their
confusion and thus improve learning outcome and experience. To support our
conjecture, we present end-to-end studies to investigate our framework around
two research questions: 1) can manually generated linking improve learning? 2)
can learning content be generated with machine learning methods? For studying
the first question, we built an interface that present learning materials and
visualize the linking among them simultaneously. We found the interface enables
users to search for desired course materials more efficiently, and retain more
concepts more readily. For the second question, we propose an automatic content
linking algorithm based on conditional random fields. We demonstrate that
automatically generated linking can still lead to better learning, although the
magnitude of the improvement over the unlinked interface is smaller.
- Abstract(参考訳): 2011年に導入されて以来、web上のさまざまなテーマに4000以上のmoocがあり、3500万人以上の学習者が参加している。
MOOCは、知識の普及を民主化し、世界最高の教育を学習者にもたらす能力を示した。
しかし, 参加者間の距離, 学習者の人数, 学習者の背景の不均一性は, 学習経験に悪影響を及ぼすタイムリーな方法で学習者との対話を極めて困難にしている。
課題に対処するため,本論文では,教育コンテンツリンクという枠組みを提案する。
様々なコース教材に散在する学習コンテンツの断片を、容易にアクセス可能な構造にリンクし、整理することにより、このフレームワークが学習者の指導とコンテンツナビゲーションを改善することができると仮定する。
MOOCにおけるほとんどの指導と知識獲得は、学習者がコース資料を調査する際に行われるので、より良いコンテンツナビゲーションは、学習者が自分の混乱を解消し、学習結果と経験を改善するのに役立つ。
予想を裏付けるために,1)手動でリンクを生成すれば学習が改善できるか,という2つの研究の枠組みについて,エンドツーエンドの研究を提示する。
2)機械学習による学習コンテンツの生成は可能か?
最初の質問を学習するために,学習教材を提示し,それらを同時に視覚化するインタフェースを構築した。
このインターフェースにより,希望する教材をより効率的に検索し,より多くの概念をより容易に維持できることがわかった。
第2の質問に対して,条件付き確率場に基づく自動コンテンツリンクアルゴリズムを提案する。
リンクのないインターフェースに対する改善の規模は小さいものの、自動生成リンクは依然として学習の改善につながることを実証する。
関連論文リスト
- Generative Multi-Modal Knowledge Retrieval with Large Language Models [75.70313858231833]
マルチモーダル知識検索のための革新的なエンドツーエンド生成フレームワークを提案する。
我々のフレームワークは,大規模言語モデル(LLM)が仮想知識ベースとして効果的に機能するという事実を生かしている。
強いベースラインと比較すると,すべての評価指標に対して3.0%から14.6%の大幅な改善が見られた。
論文 参考訳(メタデータ) (2024-01-16T08:44:29Z) - Continual Learning: Applications and the Road Forward [111.29463576484461]
継続的学習は、機械学習モデルが、過去に学んだことを忘れずに知識を蓄積することで、新しいデータを継続的に学習できるようにすることを目的としている。
我々は3つの主要な機械学習カンファレンスで発行された最近の連続的な学習論文を調査してステージを設定した。
機械学習における5つのオープンな問題について議論し、継続的学習が必然的にそのソリューションの一部であることを示す。
論文 参考訳(メタデータ) (2023-11-20T16:40:29Z) - 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) - The Web Can Be Your Oyster for Improving Large Language Models [98.72358969495835]
大規模言語モデル(LLM)は、大量の世界の知識を符号化する。
我々はLLMを検索エンジンを用いて大規模ウェブで拡張することを検討する。
ウェブ上に拡張されたLLM UNIWEBを提案する。これは16の知識集約的なタスクに対して、統一されたテキスト・テキスト・フォーマットで訓練される。
論文 参考訳(メタデータ) (2023-05-18T14:20:32Z) - Sharing to learn and learning to share -- Fitting together
Meta-Learning, Multi-Task Learning, and Transfer Learning: A meta review [5.024528292445318]
トランスファーラーニング、メタラーニング、マルチタスクラーニングは、新しいタスクに先行知識を活用することで、人間の学習プロセスを反映する。
ある学習アルゴリズムの弱点は、他の学習アルゴリズムの強みであることが判明した。
本稿では,これら2つの学習アルゴリズムを組み合わせた研究のレビューを行う。
論文 参考訳(メタデータ) (2021-11-23T20:41:06Z) - Online Structured Meta-learning [137.48138166279313]
現在のオンラインメタ学習アルゴリズムは、グローバルに共有されたメタラーナーを学ぶために限られている。
この制限を克服するオンライン構造化メタラーニング(OSML)フレームワークを提案する。
3つのデータセットの実験は、提案フレームワークの有効性と解釈可能性を示している。
論文 参考訳(メタデータ) (2020-10-22T09:10:31Z) - 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) - 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) - Meta-Learning in Neural Networks: A Survey [4.588028371034406]
本調査では,現代メタラーニングの展望について述べる。
まずメタラーニングの定義について議論し、関連する分野について位置づける。
そこで我々はメタラーニング手法の空間をより包括的に分析する新しい分類法を提案する。
論文 参考訳(メタデータ) (2020-04-11T16:34:24Z)
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。