論文の概要: Identifying rote learning and the supporting effects of hints in drills
- arxiv url: http://arxiv.org/abs/2108.12288v1
- Date: Thu, 19 Aug 2021 16:29:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-18 00:59:33.690598
- Title: Identifying rote learning and the supporting effects of hints in drills
- Title（参考訳）: ドリルにおけるロート学習の同定とヒントの支持効果
- Authors: Gunnar Stefansson, Anna Helga Jonsdottir, Thorarinn Jonmundsson, Gylfi
Snaer Sigurdsson, Ingunn Lilja Bergsdottir
- Abstract要約: チューターウェブはオンラインドリルシステムであり,システムの設計目的は,評価よりも学習にある。
分析の結果,非論理的な学習結果が得られたが,質問データベースが大きければ,これまで見てきた解答オプションが提示されれば,学生のパフォーマンスが向上することがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Whenever students use any drilling system the question arises how much of
their learning is meaningful learning vs memorisation through repetition or
rote learning. Although both types of learning have their place in an
educational system it is important to be able to distinguish between these two
approaches to learning and identify options which can dislodge students from
rote learning and motivate them towards meaningful learning. The tutor-web is
an online drilling system. The design aim of the system is learning rather than
evaluation. This is done by presenting students with multiple-choice questions
which are selected randomly but linked to the students' performance. The
questions themselves can be generated for a specific topic by drawing correct
and incorrect answers from a collection associated with a general problem
statement or heading. With this generating process students may see the same
question heading twice but be presented with all new answer options or a
mixture of new and old answer options. Data from a course on probability theory
and statistics, taught during COVID-19, are analysed to separate rote learning
from meaningful learning. The analyses show non-rote learning, but even with
large question databases, students' performance is better when they are
presented with an answer option they have seen before. An element of rote
learning is thus exhibited but a deeper learning is also demonstrated. The item
database has been seeded with hints such that some questions contain clues to
cue the students towards the correct answer. This ties in with the issue of
meaningful learning versus rote learning since the hope is that a new hint will
work as a cue to coax the student to think harder about the question rather
than continue to employ rote learning. Preliminary results indicate that hints
are particularly useful for students with poor performance metrics.
- Abstract（参考訳）: 学生がドリルシステムを使用すると、繰り返しやロート学習を通じて、学習のどれ程が意味のある学習か、記憶か、という疑問が浮かび上がる。
どちらのタイプの学習も教育システムにおいてその役割を担っているが、これらの2つの学習アプローチを区別し、学生をロート学習から遠ざけ、有意義な学習へと動機づける選択肢を特定することは重要である。
tutor-webはオンライン掘削システムである。
システムの設計目標は、評価よりも学習である。
これは、ランダムに選択されるが、学生のパフォーマンスに関連している複数の選択質問を学生に提示することで行われる。
質問そのものは、一般的な問題ステートメントに関連するコレクションから正解と誤答を引いて、特定のトピックに対して生成することができる。
この生成プロセスでは、学生は同じ質問を2回目にするが、新しい回答オプションや、新しい回答オプションと古い回答オプションの混合が提示される。
新型コロナウイルス(COVID-19)で教えられた確率理論と統計学のコースのデータは、ロート学習と有意義な学習を区別するために分析されている。
分析の結果,非ロート学習が示されたが,大規模な質問データベースであっても,これまで見てきた回答オプションが提示された場合,学生のパフォーマンスが向上した。
したがって、ロート学習の要素が示されるが、より深い学習も示される。
項目データベースは、学生に正しい答えを導き出す手がかりを含むいくつかの質問を含むヒントで種まかれています。
これは意味のある学習とロート学習の問題は関係している、なぜなら新しいヒントが、ロート学習を継続するよりも、学生に質問についてより深く考えるよう促す手がかりとして働くからである。
予備的な結果は,成績指標が乏しい学生には特にヒントが有用であることを示している。
関連論文リスト
- How Do Students Interact with an LLM-powered Virtual Teaching Assistant in Different Educational Settings? [3.9134031118910264]
LLMを利用したバーチャル教育アシスタントであるJill Watson氏は、学生の質問に答えて、インストラクターが提供するコースウェア上での会話を延長する。
本稿では,Jill と学生の相互作用を,複数の科目や大学間で分析する。
幅広い認知的要求をサポートすることで、ジルは生徒に高度な高次認知的質問への参加を促している。
論文 参考訳（メタデータ） (2024-07-15T01:22:50Z) - YODA: Teacher-Student Progressive Learning for Language Models [82.0172215948963]
本稿では,教師が指導するプログレッシブ・ラーニング・フレームワークであるYodaを紹介する。
モデルファインチューニングの有効性を向上させるために,教師の教育過程をエミュレートする。
実験の結果, YODAのデータによるLLaMA2のトレーニングにより, SFTは大幅に向上した。
論文 参考訳（メタデータ） (2024-01-28T14:32:15Z) - Ticketed Learning-Unlearning Schemes [57.89421552780526]
そこで我々は,学習のためのチケット付きモデルを提案する。
広義のコンセプトクラスに対して,空間効率のよいチケット付き学習スキームを提供する。
論文 参考訳（メタデータ） (2023-06-27T18:54:40Z) - UNIKD: UNcertainty-filtered Incremental Knowledge Distillation for Neural Implicit Representation [48.49860868061573]
最近の神経暗黙表現(NIR)は、3次元再構成と新しいビュー合成のタスクにおいて大きな成功を収めている。
それらは、異なるカメラビューからのシーンのイメージを、一度のトレーニングで利用できるようにする必要がある。
これは特に大規模なシーンと限られたデータストレージを持つシナリオでは高価である。
我々は、破滅的な問題を緩和するために、学生-教師の枠組みを設計する。
論文 参考訳（メタデータ） (2022-12-21T11:43:20Z) - Teacher-student curriculum learning for reinforcement learning [1.7259824817932292]
強化学習(rl)は、シーケンシャルな意思決定問題に対する一般的なパラダイムである。
深部強化学習手法のサンプル非効率性は,実世界の問題に適用する際の重要な障害である。
そこで我々は,学生が選択した課題の解き方を学習している間に,生徒の課題を選択する教師を同時に訓練する学習環境を提案する。
論文 参考訳（メタデータ） (2022-10-31T14:45:39Z) - Know Thy Student: Interactive Learning with Gaussian Processes [11.641731210416102]
そこで本研究では,ガウス過程を用いた簡単な診断アルゴリズムを提案する。
本研究は,教師が生徒に実演を行い,余分な軌跡の送出を避けるためのオフライン強化学習環境である。
本実験は,対話型教師の助けを借りて,学生がより効率的に学習できる方法を示す。
論文 参考訳（メタデータ） (2022-04-26T04:43:57Z) - On the Efficiency of Integrating Self-supervised Learning and
Meta-learning for User-defined Few-shot Keyword Spotting [51.41426141283203]
ユーザ定義キーワードスポッティングは、ユーザが定義する新しい音声用語を検出するタスクである。
これまでの研究は、自己教師付き学習モデルを取り入れたり、メタ学習アルゴリズムを適用しようとするものだった。
この結果から,HuBERTとMatching Networkを組み合わせることで,最適な結果が得られることがわかった。
論文 参考訳（メタデータ） (2022-04-01T10:59:39Z) - Real-Time Cognitive Evaluation of Online Learners through Automatically
Generated Questions [0.0]
本稿では,ビデオ講義から質問を自動的に生成する手法を提案する。
生成された質問は、学習者の低レベルの認知能力を評価することを目的としている。
論文 参考訳（メタデータ） (2021-06-06T05:45:56Z) - Exploring Bayesian Deep Learning for Urgent Instructor Intervention Need
in MOOC Forums [58.221459787471254]
大規模なオープンオンラインコース(MOOC)は、その柔軟性のおかげで、eラーニングの一般的な選択肢となっている。
多くの学習者とその多様な背景から、リアルタイムサポートの提供は課税されている。
MOOCインストラクターの大量の投稿と高い作業負荷により、インストラクターが介入を必要とするすべての学習者を識別できる可能性は低いです。
本稿では,モンテカルロドロップアウトと変分推論という2つの手法を用いて,学習者によるテキスト投稿のベイジアン深層学習を初めて検討する。
論文 参考訳（メタデータ） (2021-04-26T15:12:13Z) - Neural Multi-Task Learning for Teacher Question Detection in Online
Classrooms [50.19997675066203]
教師の音声記録から質問を自動的に検出するエンドツーエンドのニューラルネットワークフレームワークを構築している。
マルチタスク学習手法を取り入れることで,質問の種類によって意味的関係の理解を深めることが可能となる。
論文 参考訳（メタデータ） (2020-05-16T02:17:04Z) - Choose Your Own Question: Encouraging Self-Personalization in Learning
Path Construction [1.6505359493498744]
本稿では,対話型教育システム(IES)の一般クラスを対象としたTinderライクなユーザインタフェースであるRocketを紹介する。
Rocketは、AI(Artificial Intelligence)が抽出した学習教材の特徴を視覚的に表現する。
Rocketは、生徒の能力やニーズに関する知識を活用することで、学習経験の自己個人化を可能にする。
論文 参考訳（メタデータ） (2020-05-08T01:53:04Z)
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。