論文の概要: Searching to Learn with Instructional Scaffolding
- arxiv url: http://arxiv.org/abs/2111.14584v1
- Date: Mon, 29 Nov 2021 15:15:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-06 09:43:04.600410
- Title: Searching to Learn with Instructional Scaffolding
- Title（参考訳）: 授業足場による学習の探索
- Authors: Arthur C\^amara, Nirmal Roy, David Maxwell, Claudia Hauff
- Abstract要約: 本稿では,3つの戦略を用いた探索システムへの足場導入について検討する。
AQE_SCは、関連するサブトピックによるユーザクエリの自動拡張、CURATED_SCは、検索エンジンの結果ページに、手動でキュレートされた関連するサブトピックの静的リストを表示する。
FEEDBACK_SC – CURATED_SCビジュアライゼーションの上に、ユーザのトピック空間探索に関するリアルタイムフィードバックを投影する。
- 参考スコア（独自算出の注目度）: 7.159235937301605
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Search engines are considered the primary tool to assist and empower learners
in finding information relevant to their learning goals-be it learning
something new, improving their existing skills, or just fulfilling a curiosity.
While several approaches for improving search engines for the learning scenario
have been proposed, instructional scaffolding has not been studied in the
context of search as learning, despite being shown to be effective for
improving learning in both digital and traditional learning contexts. When
scaffolding is employed, instructors provide learners with support throughout
their autonomous learning process. We hypothesize that the usage of scaffolding
techniques within a search system can be an effective way to help learners
achieve their learning objectives whilst searching. As such, this paper
investigates the incorporation of scaffolding into a search system employing
three different strategies (as well as a control condition): (I) AQE_{SC}, the
automatic expansion of user queries with relevant subtopics; (ii) CURATED_{SC},
the presenting of a manually curated static list of relevant subtopics on the
search engine result page; and (iii) FEEDBACK_{SC}, which projects real-time
feedback about a user's exploration of the topic space on top of the
CURATED_{SC} visualization. To investigate the effectiveness of these
approaches with respect to human learning, we conduct a user study (N=126)
where participants were tasked with searching and learning about topics such as
`genetically modified organisms'. We find that (I) the introduction of the
proposed scaffolding methods does not significantly improve learning gains.
However, (ii) it does significantly impact search behavior. Furthermore, (iii)
immediate feedback of the participants' learning leads to undesirable user
behavior, with participants focusing on the feedback gauges instead of
learning.
- Abstract（参考訳）: 検索エンジンは、学習者が学習目標に関連する情報を見つけるのを手助けし、力づける主要なツールだと考えられている。
学習シナリオのための検索エンジン改善のためのいくつかのアプローチが提案されているが、デジタルと従来の学習コンテキストの両方で学習を改善する効果が示されているにもかかわらず、学習としての学習の文脈では、指導的足場は研究されていない。
足場が採用されると、インストラクターは自律的な学習プロセスを通じて学習者を支援する。
探索システムにおける足場手法の利用は,学習者が探索しながら学習目標を達成するための効果的な方法であると仮定する。
そこで本研究では,3つの戦略(および制御条件)を用いた検索システムへの足場導入について検討する: (I) AQE_{SC}, 関連するサブトピックによるユーザクエリの自動拡張。
(ii)CURated_{SC}は、検索エンジンの結果ページにおいて、関連するサブトピックを手作業でキュレートした静的リストを提示する。
(iii)FEEDBACK_{SC}は、CURATED_{SC}視覚化の上に、ユーザがトピック空間を探索する際のリアルタイムフィードバックを提示する。
人的学習に対するこれらのアプローチの有効性を検討するため,被験者が「遺伝的に改変された生物」などのトピックを探索・学習する作業を行うユーザスタディ(N=126)を行った。
I) 提案手法の導入は, 学習効率を著しく向上させるものではないことがわかった。
しかし、
(ii)検索行動に大きな影響を及ぼす。
さらに
(iii) 参加者の学習に対する即時のフィードバックは好ましくないユーザの行動につながり、参加者は学習ではなくフィードバックゲージに集中する。
関連論文リスト
- Can We Delegate Learning to Automation?: A Comparative Study of LLM Chatbots, Search Engines, and Books [0.6776894728701932]
教科書やウェブ検索といった従来のリソースからの移行は、教育者の間で懸念を呼び起こす。
本稿では,教育者の立場から3つの主な懸念点を体系的に明らかにする。
その結果,LLMは受動的学習を促進することなく,鍵概念の包括的理解を支援するが,知識保持効果は限られていた。
論文 参考訳（メタデータ） (2024-10-02T10:16:54Z) - Tool Learning with Large Language Models: A Survey [60.733557487886635]
大規模言語モデル(LLM)を用いたツール学習は,高度に複雑な問題に対処するLLMの能力を強化するための,有望なパラダイムとして登場した。
この分野での注目と急速な進歩にもかかわらず、現存する文献は断片化され、体系的な組織が欠如している。
論文 参考訳（メタデータ） (2024-05-28T08:01:26Z) - 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) - Deep Active Learning for Computer Vision: Past and Future [50.19394935978135]
AIモデルの開発に欠かせない役割にもかかわらず、アクティブラーニングの研究は他の研究の方向性ほど集中的ではない。
データ自動化の課題に対処し、自動化された機械学習システムに対処することによって、アクティブな学習はAI技術の民主化を促進する。
論文 参考訳（メタデータ） (2022-11-27T13:07:14Z) - 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) - Analyzing Adaptive Scaffolds that Help Students Develop Self-Regulated
Learning Behaviors [6.075903612065429]
本稿では,Betty's Brainにおける適応的足場構築のための体系的枠組みを提案する。
学生は仮想エージェントを教えるために因果モデルを構築し、一般にベティと名付けられた。
適応的な足場が生徒の学習行動やパフォーマンスに与える影響を分析する。
論文 参考訳（メタデータ） (2022-02-20T00:02:31Z) - Embodied Learning for Lifelong Visual Perception [33.02424587900808]
我々は、新しいモデルを開発し、建物内を航行する様々なエージェントを比較し、生涯の視覚知覚を具体化して研究する。
エージェントの目的は、探索とアクティブな視覚学習を組み合わせたプロセスの最後に、建物全体のオブジェクトやその他のセマンティッククラスを認識することである。
論文 参考訳（メタデータ） (2021-12-28T10:47:13Z) - Unsupervised Domain Adaptive Person Re-Identification via Human Learning
Imitation [67.52229938775294]
近年、研究者は、異なる人物の再識別データセット間のドメインギャップを減らすために、教師学生フレームワークを彼らの手法に活用することを提案している。
近年の教員中心の枠組みに基づく手法に着想を得て,異なる側面から人間の学習過程を模倣するためのさらなる探究を提案する。
論文 参考訳（メタデータ） (2021-11-28T01:14:29Z) - Boosting Search Engines with Interactive Agents [25.89284695491093]
本稿では,文脈的クエリ改善のためのメタストラテジーを学習するエージェントの設計における第一歩について述べる。
エージェントには単純だが効果的な検索操作者がいて、クエリや検索結果のきめ細やかで透明な制御を行う。
論文 参考訳（メタデータ） (2021-09-01T13:11:57Z) - A Survey of Exploration Methods in Reinforcement Learning [64.01676570654234]
強化学習エージェントは、学習プロセスのための情報データを得るために、探索に極めて依存する。
本稿では,(逐次的)強化学習における近代的な探究手法の調査と,探索手法の分類について述べる。
論文 参考訳（メタデータ） (2021-09-01T02:36:14Z) - Curriculum Learning for Reinforcement Learning Domains: A Framework and
Survey [53.73359052511171]
強化学習(Reinforcement Learning, RL)は、エージェントが限られた環境フィードバックしか持たないシーケンシャルな意思決定タスクに対処するための一般的なパラダイムである。
本稿では、RLにおけるカリキュラム学習(CL)の枠組みを提案し、既存のCLメソッドを仮定、能力、目標の観点から調査・分類する。
論文 参考訳（メタデータ） (2020-03-10T20:41:24Z)
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。