論文の概要: Using Machine Learning to Predict Engineering Technology Students'
Success with Computer Aided Design
- arxiv url: http://arxiv.org/abs/2108.05955v1
- Date: Thu, 12 Aug 2021 20:24:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-16 13:01:12.304101
- Title: Using Machine Learning to Predict Engineering Technology Students'
Success with Computer Aided Design
- Title（参考訳）: 機械学習を用いた工学系学生のコンピュータ支援設計における成功予測
- Authors: Jasmine Singh, Viranga Perera, Alejandra J. Magana, Brittany Newell,
Jin Wei-Kocsis, Ying Ying Seah, Greg J. Strimel, Charles Xie
- Abstract要約: 機械学習技術と組み合わせたデータによって、特定の学生がデザインタスクでどれだけうまく機能するかを予測する方法を示す。
初期設計シーケンスアクションを用いたモデルは,特に予測に有用であることが判明した。
これらのモデルをさらに改善することで、事前の予測が得られ、学生のフィードバックがより早く得られるようになり、学習が向上する可能性がある。
- 参考スコア（独自算出の注目度）: 50.591267188664666
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computer-aided design (CAD) programs are essential to engineering as they
allow for better designs through low-cost iterations. While CAD programs are
typically taught to undergraduate students as a job skill, such software can
also help students learn engineering concepts. A current limitation of CAD
programs (even those that are specifically designed for educational purposes)
is that they are not capable of providing automated real-time help to students.
To encourage CAD programs to build in assistance to students, we used data
generated from students using a free, open source CAD software called Aladdin
to demonstrate how student data combined with machine learning techniques can
predict how well a particular student will perform in a design task. We
challenged students to design a house that consumed zero net energy as part of
an introductory engineering technology undergraduate course. Using data from
128 students, along with the scikit-learn Python machine learning library, we
tested our models using both total counts of design actions and sequences of
design actions as inputs. We found that our models using early design sequence
actions are particularly valuable for prediction. Our logistic regression model
achieved a >60% chance of predicting if a student would succeed in designing a
zero net energy house. Our results suggest that it would be feasible for
Aladdin to provide useful feedback to students when they are approximately
halfway through their design. Further improvements to these models could lead
to earlier predictions and thus provide students feedback sooner to enhance
their learning.
- Abstract（参考訳）: コンピュータ支援設計(CAD)プログラムは、低コストのイテレーションによるより良い設計を可能にするため、エンジニアリングに不可欠である。
CADプログラムは通常、学生に職業スキルとして教えられるが、そのようなソフトウェアは、学生が工学の概念を学ぶのに役立つ。
CADプログラム(特に教育目的のために設計されたプログラム)の現在の制限は、学生に自動リアルタイム支援を提供することができないことである。
CADプログラムの学生支援を促すために,AladdinというフリーのオープンソースCADソフトウェアを用いて学生が生成したデータを用いて,学生のデータと機械学習技術を組み合わせることで,特定の学生がデザインタスクでどれだけうまく機能するかを予測する。
我々は,導入工学技術学部課程の一環として,ゼロエネルギーを消費する家を設計するよう学生に求めた。
128人の学生とscikit-learn python machine learning libraryのデータを使って、デザインアクションの総数とインプットとしてのデザインアクションのシーケンスの両方を使ってモデルをテストしました。
初期設計シーケンスアクションを用いたモデルが予測に特に有用であることが分かりました。
我々のロジスティック回帰モデルは、学生がゼロネットエネルギーハウスの設計に成功するかどうかを60%の確率で予測できた。
以上の結果から,Aladdinは学生の半年ほどで学生に有用なフィードバックを提供することが可能であることが示唆された。
これらのモデルのさらなる改善は、早期の予測につながり、学習を早めるために学生のフィードバックを提供する。
関連論文リスト
- A Problem-Based Learning Approach to Teaching Design in CS1 [0.9786690381850356]
デザインスキルは、ソフトウェアプロフェッショナルにとってコアコンピテンシーとしてますます認識されている。
新しいデザイナーは、可能性に圧倒されるのを防ぐために、構造化されたプロセスを必要とします。
初等大学200人の学生にチームデザインプロジェクトコースを指導した経験を提示する。
論文 参考訳（メタデータ） (2024-10-15T23:36:08Z) - Geometric Deep Learning for Computer-Aided Design: A Survey [85.79012726689511]
本調査では,コンピュータ支援設計における学習手法の概要について概観する。
類似性解析と検索、2Dおよび3DCADモデル合成、点雲からのCAD生成を含む。
ベンチマークデータセットとその特性の完全なリストと、この領域の研究を推進しているオープンソースコードを提供する。
論文 参考訳（メタデータ） (2024-02-27T17:11:35Z) - CADgpt: Harnessing Natural Language Processing for 3D Modelling to
Enhance Computer-Aided Design Workflows [0.0]
本稿では,自然言語処理(NLP)とRhino3Dを統合したCADgptを紹介する。
OpenAIのGPT-4を利用してCADgptはCADインターフェースを単純化し、ユーザーは直感的な自然言語コマンドで複雑な3Dモデリングタスクを実行できる。
論文 参考訳（メタデータ） (2024-01-10T17:32:32Z) - PPI-NET: End-to-End Parametric Primitive Inference [24.31083483088741]
工学の応用では、線、円、弧、点を総称してプリミティブと呼ぶ。
本稿では,手書きスケッチ画像からパラメトリックプリミティブを推定するための,効率的かつ高精度なエンドツーエンド手法を提案する。
論文 参考訳（メタデータ） (2023-08-03T03:50:49Z) - AutoCAD: Automatically Generating Counterfactuals for Mitigating
Shortcut Learning [70.70393006697383]
完全自動かつタスクに依存しないCAD生成フレームワークであるAutoCADについて述べる。
本稿では,完全に自動化されたタスクに依存しないCAD生成フレームワークであるAutoCADを提案する。
論文 参考訳（メタデータ） (2022-11-29T13:39:53Z) - Design Automation for Fast, Lightweight, and Effective Deep Learning
Models: A Survey [53.258091735278875]
本調査では,エッジコンピューティングを対象としたディープラーニングモデルの設計自動化技術について述べる。
これは、有効性、軽量性、計算コストの観点からモデルの習熟度を定量化するために一般的に使用される主要なメトリクスの概要と比較を提供する。
この調査は、ディープモデル設計自動化技術の最先端の3つのカテゴリをカバーしている。
論文 参考訳（メタデータ） (2022-08-22T12:12:43Z) - Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。
特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
論文 参考訳（メタデータ） (2022-03-06T10:12:56Z) - AutoDistil: Few-shot Task-agnostic Neural Architecture Search for
Distilling Large Language Models [121.22644352431199]
ニューラルアーキテクチャサーチ (NAS) を用いて、大容量モデルから可変コストで複数の圧縮された学生を自動的に抽出する。
現在の作業では、ウェイトシェアリングを備えた数百万の作業からなる1つのSuperLMをトレーニングしています。
最先端のKDおよびNAS手法に対するGLUEベンチマーク実験は、AutoDistilが先行圧縮技術より優れていることを示す。
論文 参考訳（メタデータ） (2022-01-29T06:13:04Z) - Vitruvion: A Generative Model of Parametric CAD Sketches [22.65229769427499]
本稿では,パラメトリックCADスケッチの生成モデルを提案する。
我々のモデルは、SketchGraphsデータセットから実世界のデザインを訓練し、スケッチをプリミティブのシーケンスとして自動回帰的に合成する。
我々は、部分スケッチ(プライマー)や手描きスケッチのイメージなど、様々な文脈でモデルを条件付けする。
論文 参考訳（メタデータ） (2021-09-29T01:02:30Z) - Computer-Aided Design as Language [16.79054488229662]
高度に構造化された2次元スケッチを自動的に生成できる機械学習モデルを提案する。
本手法は,市販データシリアライズプロトコルと並行して汎用言語モデリング手法を組み合わせたものである。
私たちのアプローチは、ドメインの複雑さに対応するために十分な柔軟性を持ち、無条件合成と画像からスケッチへの変換の両方に適しています。
論文 参考訳（メタデータ） (2021-05-06T15:43:10Z)
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。