論文の概要: ML-Quest: A Game for Introducing Machine Learning Concepts to K-12 Students

• arxiv url: http://arxiv.org/abs/2107.06206v1
• Date: Tue, 13 Jul 2021 16:05:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-14 14:28:23.216470
• Title: ML-Quest: A Game for Introducing Machine Learning Concepts to K-12 Students
• Title（参考訳）: ML-Quest:K-12学生に機械学習の概念を導入するゲーム
• Authors: Shruti Priya, Shubhankar Bhadra and Sridhar Chimalakonda
• Abstract要約: 3つの機械学習(ML)概念の概念的概要を提供する3DビデオゲームであるML-Questを提案する。 このゲームは,TAM(Technology Acceptance Model)モデルを用いて,その有用性とプレイヤエクスペリエンスについて,主に評価されている。 参加者の約70%はML-Questに同意するか、あるいは強く同意している。
• 参考スコア（独自算出の注目度）: 2.2559617939136505
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Today, Machine Learning (ML) is of a great importance to society due to the availability of huge data and high computational resources. This ultimately led to the introduction of ML concepts at multiple levels of education including K-12 students to promote computational thinking. However, teaching these concepts to K-12 through traditional methodologies such as video lectures and books is challenging. Many studies in the literature have reported that using interactive environments such as games to teach computational thinking and programming improves retention capacity and motivation among students. Therefore, introducing ML concepts using a game might enhance students' understanding of the subject and motivate them to learn further. However, we are not aware of any existing game which explicitly focuses on introducing ML concepts to students using game play. Hence, in this paper, we propose ML-Quest, a 3D video game to provide conceptual overview of three ML concepts: Supervised Learning, Gradient Descent and K-Nearest Neighbor (KNN) Classification. The crux of the game is to introduce the definition and working of these concepts, which we call conceptual overview, in a simulated scenario without overwhelming students with the intricacies of ML. The game has been predominantly evaluated for its usefulness and player experience using the Technology Acceptance Model (TAM) model with the help of 23 higher-secondary school students. The survey result shows that around 70% of the participants either agree or strongly agree that the ML-Quest is quite interactive and useful in introducing them to ML concepts.
• Abstract（参考訳）: 現在、機械学習(ML)は、膨大なデータと高い計算資源が利用できるため、社会にとって非常に重要である。 最終的に、計算思考を促進するためにK-12の学生を含む複数のレベルの教育でMLの概念が導入された。 しかし、これらの概念をk-12にビデオ講義や本のような伝統的な方法論で教えることは困難である。 文学における多くの研究は、ゲームのようなインタラクティブな環境を使って計算思考とプログラミングを教えることで、学生の保持能力とモチベーションが向上したと報告している。 したがって、ゲームを用いたMLの概念の導入は、生徒の主題に対する理解を高め、さらに学ぶ動機を与える可能性がある。 しかし,ゲームプレイの学生にMLの概念を導入することに焦点を当てた既存のゲームは,全く意識していない。 そこで本稿では,ML-Questという3つの概念,すなわち教師付き学習,グラディエント・ディクエンス,K-Nearest Neighbor(KNN)の分類概念を概念的に示す3Dビデオゲームを提案する。 ゲームの要点は,概念概念の定義と作業の導入であり,概念的概要(conceptual overview)と呼ぶもので,MLの複雑さに悩む圧倒的な生徒を伴わないシミュレーションシナリオである。 このゲームは、23人の高校生の助けを借りて、TAM(Technology Acceptance Model)モデルを用いて、その有用性とプレイヤー体験について、主に評価されてきた。 その結果,約70%の参加者が,ML-QuestがML概念に導入する上で非常にインタラクティブで有用であることに同意するか,あるいは強く同意していることがわかった。

関連論文リスト

• ICE-T: A Multi-Faceted Concept for Teaching Machine Learning [2.9685635948300004]
  我々は、コンピュータサイエンスの教育に使用される実践的原則を考察し、基準を定義し、既存の著名なプラットフォーム、ツール、ゲームの選択を評価します。 我々は、主にブラックボックスとして機械学習を描写するアプローチを批判し、結果としてデータ、アルゴリズム、モデルを理解することに重点を置いていない。 本稿では、既知の教義の延長として、モーダル間移動、計算、説明的思考、ICE-Tについて述べる。
  論文  参考訳（メタデータ） (2024-11-08T09:16:05Z)
• Rethinking Visual Prompting for Multimodal Large Language Models with External Knowledge [76.45868419402265]
  マルチモーダルな大言語モデル(MLLM)は、膨大な高品質の画像テキストデータセットをトレーニングすることで、大きな進歩を遂げている。 しかし、マスクのような細粒度や空間的に密集した情報をテキストで明示的に伝達することの難しさは、MLLMにとって困難である。 本稿では、特殊な視覚モデルから派生した細粒度の外部知識をMLLMに統合する新しい視覚的プロンプト手法を提案する。
  論文  参考訳（メタデータ） (2024-07-05T17:43:30Z)
• Finnish primary school students' conceptions of machine learning [0.0]
  本研究は,小学校の学生がMLについてどのような概念を持っているかを検討する。 概念的手がかりがなければ、子どものMLの概念は様々であり、MLのような誤解を含むこともある。
  論文  参考訳（メタデータ） (2024-02-14T21:06:39Z)
• Towards Concept-Aware Large Language Models [56.48016300758356]
  概念は、学習、推論、コミュニケーションなど、様々な人間の認知機能において重要な役割を果たす。 概念を形作り、推論する能力を持つ機械を授けることは、ほとんどない。 本研究では,現代における大規模言語モデル(LLM)が,人間の概念とその構造をどのように捉えているかを分析する。
  論文  参考訳（メタデータ） (2023-11-03T12:19:22Z)
• See, Think, Confirm: Interactive Prompting Between Vision and Language Models for Knowledge-based Visual Reasoning [60.43585179885355]
  本稿では,知識に基づく視覚推論のための新しいフレームワークであるInteractive Prompting Visual Reasoner(IPVR)を提案する。 IPVRには3つのステージがある。 我々は,知識に基づく視覚的推論データセットについて実験を行った。
  論文  参考訳（メタデータ） (2023-01-12T18:59:50Z)
• COPEN: Probing Conceptual Knowledge in Pre-trained Language Models [60.10147136876669]
  概念的知識は人間の認知と知識基盤の基本である。 既存の知識探索作業は、事前訓練された言語モデル(PLM)の事実知識のみに焦点を当て、概念知識を無視する。 PLMが概念的類似性によってエンティティを編成し、概念的特性を学習し、コンテキスト内でエンティティを概念化するかどうかを調査する3つのタスクを設計する。 タスクのために、393のコンセプトをカバーする24kのデータインスタンスを収集、注釈付けします。
  論文  参考訳（メタデータ） (2022-11-08T08:18:06Z)
• The games we play: critical complexity improves machine learning [0.0]
  機械学習のベストプラクティスは、合理主義的で壮大な物語よりも、決定的な複雑性の観点から一致すべきである、と私たちは主張する。 MLコミュニティでプレイされている13の「ゲーム」は、モデルに偽の正当性を与え、人工知能の能力に関する過剰な宣伝と誇大宣伝に寄与し、不平等を悪化させ差別を引き起こすモデルに繋がる。
  論文  参考訳（メタデータ） (2022-05-18T13:37:22Z)
• Does Explainable Machine Learning Uncover the Black Box in Vision Applications? [1.0660480034605242]
  説明可能なMLの背景にある現在の哲学は、一定の限界に悩まされていると我々は主張する。 また、より厳格な原則に頼ることで、MLにおける説明力がどのように役立つかという視点も提供します。
  論文  参考訳（メタデータ） (2021-12-18T10:37:52Z)
• Declarative Machine Learning Systems [7.5717114708721045]
  機械学習(ML)は、学術的な取り組みから、コンピューティングのほぼすべての側面で採用されている普及した技術へと移行してきた。 近年の自然科学におけるMLの適用の成功により、MLは人類が直面する最も困難な現実世界問題に対処するために利用できることが明らかとなった。 MLシステムの次の波は、おそらくコーディングスキルなしで、より多くの人が同じタスクを実行できると信じています。
  論文  参考訳（メタデータ） (2021-07-16T23:57:57Z)
• A Competence-aware Curriculum for Visual Concepts Learning via Question Answering [95.35905804211698]
  本稿では,視覚概念学習のための質問応答型カリキュラムを提案する。 視覚概念を学習するためのニューラルシンボリックな概念学習者と学習プロセスを導くための多次元項目応答理論(mIRT)モデルを設計する。 CLEVRの実験結果から,コンピテンスを意識したカリキュラムにより,提案手法は最先端のパフォーマンスを実現することが示された。
  論文  参考訳（メタデータ） (2020-07-03T05:08:09Z)
• An Information-Theoretic Approach to Personalized Explainable Machine Learning [92.53970625312665]
  本稿では,予測とユーザ知識のための簡易確率モデルを提案する。 説明と予測の間の条件付き相互情報による説明の効果を定量化する。
  論文  参考訳（メタデータ） (2020-03-01T13:06:29Z)

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。