論文の概要: Teaching Machine Learning in K-12 Computing Education: Potential and
Pitfalls
- arxiv url: http://arxiv.org/abs/2106.11034v1
- Date: Wed, 2 Jun 2021 10:45:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-27 12:36:16.477542
- Title: Teaching Machine Learning in K-12 Computing Education: Potential and
Pitfalls
- Title（参考訳）: K-12コンピューティング教育における機械学習教育の可能性と落とし穴
- Authors: Matti Tedre, Tapani Toivonen, Juho Kaihila, Henriikka Vartiainen,
Teemu Valtonen, Ilkka Jormanainen, and Arnold Pears
- Abstract要約: 本稿は、K-12教育における機械学習教育に関連する教育実践、理論、技術における新たな軌跡を概説する。
重要なステップは、ルールベースの"伝統的"プログラミングが、次世代の計算思考の発展における中心的な側面であり、ブロックを構築するという信念を捨てることである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Over the past decades, numerous practical applications of machine learning
techniques have shown the potential of data-driven approaches in a large number
of computing fields. Machine learning is increasingly included in computing
curricula in higher education, and a quickly growing number of initiatives are
expanding it in K-12 computing education, too. As machine learning enters K-12
computing education, understanding how intuition and agency in the context of
such systems is developed becomes a key research area. But as schools and
teachers are already struggling with integrating traditional computational
thinking and traditional artificial intelligence into school curricula,
understanding the challenges behind teaching machine learning in K-12 is an
even more daunting challenge for computing education research. Despite the
central position of machine learning in the field of modern computing, the
computing education research body of literature contains remarkably few studies
of how people learn to train, test, improve, and deploy machine learning
systems. This is especially true of the K-12 curriculum space. This article
charts the emerging trajectories in educational practice, theory, and
technology related to teaching machine learning in K-12 education. The article
situates the existing work in the context of computing education in general,
and describes some differences that K-12 computing educators should take into
account when facing this challenge. The article focuses on key aspects of the
paradigm shift that will be required in order to successfully integrate machine
learning into the broader K-12 computing curricula. A crucial step is
abandoning the belief that rule-based "traditional" programming is a central
aspect and building block in developing next generation computational thinking.
- Abstract（参考訳）: 過去数十年にわたり、機械学習技術の多くの実践的応用が、多くのコンピューティング分野におけるデータ駆動型アプローチの可能性を示している。
機械学習は、高等教育における計算カリキュラムにますます含まれており、K-12コンピューティング教育にも、急速に多くの取り組みが拡大している。
機械学習がK-12コンピューティング教育に入ると、そのようなシステムの文脈における直観やエージェンシーがどのように発達するかを理解することが重要な研究領域となる。
しかし、学校や教師は、従来の計算思考と従来の人工知能を学校のカリキュラムに統合することにすでに苦労しているため、K-12で機械学習を教えることの難しさを理解することは、コンピューティング教育研究にとってさらに難しい課題だ。
現代コンピューティングの分野における機械学習の中心的な位置にもかかわらず、コンピュータ教育研究機関は、人々が機械学習システムを訓練、テスト、改善、デプロイする方法についての非常に少ない研究を包含している。
これは特にK-12のカリキュラム空間に当てはまる。
本稿は,k-12 教育における機械学習教育に関連する教育実践,理論,技術における新たな軌跡を示す。
この記事は、コンピュータ教育全般の文脈における既存の仕事の場を定め、k-12コンピューティング教育者がこの課題に直面する際に考慮すべきいくつかの違いを述べる。
この記事では、機械学習をより広範なK-12コンピューティングカリキュラムに統合するために必要とされるパラダイムシフトの重要な側面に焦点を当てる。
重要なステップは、ルールベースの"伝統的"プログラミングが、次世代の計算思考の発展における中心的な側面であり、ブロックを構築するという信念を捨てることである。
関連論文リスト
- First Steps towards K-12 Computer Science Education in Portugal -- Experience Report [49.1574468325115]
本報告では,ポルトガルにおけるensICO協会の取り組みについて報告する。
2020年のいくつかの学校でのパイロットプロジェクトから始まり、現在4500人の学生、35の学校、100の学校教師と協力している。
主な目的は、コンピュータを必須科目として教えるための総合的なシラバスを定義するのに十分な経験と知識を得ることである。
論文 参考訳（メタデータ） (2024-11-15T12:32:52Z) - Using Helium Balloon Flying Drones for Introductory CS Education [0.0]
現在のコンピューティング教育が通常ターゲットとしているものよりも、幅広い聴衆の関心を捉えるために教育方法を適用することが不可欠である。
物理コンピューティングデバイスは、学生がコンピュータ科学を勉強しているときに、学生のモチベーションが増大していることと相関することが示されている。
論文 参考訳（メタデータ） (2024-06-26T02:19:44Z) - The Landscape of Modern Machine Learning: A Review of Machine,
Distributed and Federated Learning [0.0]
最新の高度な機械学習アルゴリズム、アプリケーション、フレームワークについて、ハイレベルな概要を提供する。
私たちの仕事は、現代の機械学習の広大な分野への入門テキストとして役立ちます。
論文 参考訳（メタデータ） (2023-12-05T20:40:05Z) - Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。
PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文 参考訳（メタデータ） (2023-08-15T16:37:16Z) - A Survey of Deep Learning for Mathematical Reasoning [71.88150173381153]
我々は過去10年間の数学的推論とディープラーニングの交差点における重要なタスク、データセット、方法についてレビューする。
大規模ニューラルネットワークモデルの最近の進歩は、新しいベンチマークと、数学的推論にディープラーニングを使用する機会を開放している。
論文 参考訳（メタデータ） (2022-12-20T18:46:16Z) - Learning to Learn: How to Continuously Teach Humans and Machines [24.29443694991142]
カリキュラムは、人間と複数の連続機械学習アルゴリズムの学習結果に一貫して影響を与えている。
本稿では,クラス間特徴類似度に基づいてキュリキュラの設計とランク付けを行う,Curriculum Designer (CD) という新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-11-28T15:53:44Z) - Flashlight: Enabling Innovation in Tools for Machine Learning [50.63188263773778]
私たちは、機械学習ツールやシステムの革新を促進するために構築されたオープンソースのライブラリであるFlashlightを紹介します。
Flashlightは、広く使われているライブラリを下流で活用し、機械学習とシステム研究者をより緊密に連携させる研究を可能にするツールだと考えています。
論文 参考訳（メタデータ） (2022-01-29T01:03:29Z) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳（メタデータ） (2021-05-29T21:02:44Z) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳（メタデータ） (2020-12-21T15:07:19Z) - Computer-Aided Personalized Education [15.811740322935476]
過去10年間で、導入コースを受講する米国の学生数は3倍に増えている。
大規模なオープンオンラインコース(MOOC)は、この制約を緩和する方法として推進されている。
計算ツールに依存したパーソナライズド教育はこの課題に対処できる。
論文 参考訳（メタデータ） (2020-07-07T18:00:04Z)
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。