論文の概要: Masked Deep Q-Recommender for Effective Question Scheduling

• arxiv url: http://arxiv.org/abs/2112.10125v1
• Date: Sun, 19 Dec 2021 11:36:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-21 17:30:54.883409
• Title: Masked Deep Q-Recommender for Effective Question Scheduling
• Title（参考訳）: 効果的な質問スケジューリングのためのマスク付き深部q-recommender
• Authors: Keunhyung Chung, Daehan Kim, Sangheon Lee, Guik Jung
• Abstract要約: 提案手法は,まず,知識追跡(KT)モデルを用いて,学生の概念レベルの知識を評価する。 学生の知識が予測された場合、RLベースの推薦者は各質問の利点を予測する。 カリキュラムの範囲制限と重複ペナルティにより、推薦者はあらかじめ定義された質問数に到達するまで質問を順次選択する。
• 参考スコア（独自算出の注目度）: 0.4129225533930965
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Providing appropriate questions according to a student's knowledge level is imperative in personalized learning. However, It requires a lot of manual effort for teachers to understand students' knowledge status and provide optimal questions accordingly. To address this problem, we introduce a question scheduling model that can effectively boost student knowledge level using Reinforcement Learning (RL). Our proposed method first evaluates students' concept-level knowledge using knowledge tracing (KT) model. Given predicted student knowledge, RL-based recommender predicts the benefits of each question. With curriculum range restriction and duplicate penalty, the recommender selects questions sequentially until it reaches the predefined number of questions. In an experimental setting using a student simulator, which gives 20 questions per day for two weeks, questions recommended by the proposed method increased average student knowledge level by 21.3%, superior to an expert-designed schedule baseline with a 10% increase in student knowledge levels.
• Abstract（参考訳）: 生徒の知識レベルに応じて適切な質問を行うことは、パーソナライズされた学習において必須である。 しかし,教師が生徒の知識状況を理解し,適切な質問を行うことには,多くの手作業が必要となる。 この問題に対処するために,強化学習(rl)を用いて学生の知識レベルを効果的に高める質問スケジューリングモデルを提案する。 提案手法はまず,知識追跡モデルを用いて,学生の概念レベルの知識を評価する。 学生の知識が予測された場合、RLベースの推薦者は各質問の利点を予測する。 カリキュラムの範囲制限と重複ペナルティにより、推薦者はあらかじめ定義された質問数に到達するまで質問を順次選択する。 2週間に1日20問の質問を行う学生シミュレータを用いた実験では,提案手法により推奨される質問は,専門家が設計したスケジュールベースラインよりも21.3%向上し,10%の学生知識レベルが向上した。

関連論文リスト

• 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)
• Towards a Holistic Understanding of Mathematical Questions with Contrastive Pre-training [65.10741459705739]
  本稿では,数学的問題表現,すなわち QuesCo に対する対照的な事前学習手法を提案する。 まず、コンテンツレベルと構造レベルを含む2段階の質問強化を設計し、類似した目的で文字通り多様な質問ペアを生成する。 そこで我々は,知識概念の階層的情報を完全に活用するために,知識階層を意識したランク戦略を提案する。
  論文  参考訳（メタデータ） (2023-01-18T14:23:29Z)
• A Unified End-to-End Retriever-Reader Framework for Knowledge-based VQA [67.75989848202343]
  本稿では,知識に基づくVQAに向けて,エンド・ツー・エンドのレトリバー・リーダー・フレームワークを提案する。 我々は、視覚言語による事前学習モデルからの多モーダルな暗黙の知識に光を当て、知識推論の可能性を掘り下げた。 提案手法では,知識検索のガイダンスを提供するだけでなく,質問応答に対してエラーが発生しやすいケースも排除できる。
  論文  参考訳（メタデータ） (2022-06-30T02:35:04Z)
• Methodical Advice Collection and Reuse in Deep Reinforcement Learning [12.840744403432547]
  この研究は、学生がいつアドバイスを求めるべきか、学生がより少ないアドバイスを求めるために教師をモデル化できるかどうかについて、不確実性をうまく活用する方法を検討する。 実験結果から,2つの不確実性を用いてアドバイス収集と再利用を行うことにより,アタリゲーム間の学習性能が向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-04-14T22:24:55Z)
• GPT-based Open-Ended Knowledge Tracing [24.822739021636455]
  学生の質問に対する回答を正確に予測する新しい課題について検討する。 私たちの研究は、コンピュータサイエンス教育の分野において、プログラミングに関する質問に基礎を置いています。 学生の知識に基づくコード生成手法であるOKT問題の初期解を開発した。
  論文  参考訳（メタデータ） (2022-02-21T02:33:34Z)
• ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
  本稿では,フィードバックを数発の分類として提供するという課題について考察する。 メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。 本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
  論文  参考訳（メタデータ） (2021-07-23T22:41:28Z)
• 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)
• Incremental Knowledge Based Question Answering [52.041815783025186]
  人間と同じように学習能力を段階的に拡張できるインクリメンタルKBQA学習フレームワークを提案します。 具体的には、破滅的な忘れ問題を克服するために、マージン希釈損失と協調選択方法からなる。 包括的な実験は、進化する知識ベースに取り組む際にその効果と効率を示す。
  論文  参考訳（メタデータ） (2021-01-18T09:03:38Z)
• Knowledge-Routed Visual Question Reasoning: Challenges for Deep Representation Embedding [140.5911760063681]
  VQAモデル評価のためのナレッジルーティング視覚質問推論という新しいデータセットを提案する。 視覚ゲノムシーングラフと外部知識ベースの両方に基づいて,制御プログラムを用いて質問応答対を生成する。
  論文  参考訳（メタデータ） (2020-12-14T00:33:44Z)
• Retrieve, Program, Repeat: Complex Knowledge Base Question Answering via Alternate Meta-learning [56.771557756836906]
  本稿では,弱い監督からプログラマと交互に検索モデルを自動的に学習する手法を提案する。 本システムでは,知識ベースに対する複雑な質問応答を行う大規模タスクにおいて,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-10-29T18:28:16Z)
• R2DE: a NLP approach to estimating IRT parameters of newly generated questions [3.364554138758565]
  R2DEは、質問のテキストを見て、新しく生成された複数の選択の質問を評価することができるモデルである。 特に、各質問の難易度と識別度を推定することができる。
  論文  参考訳（メタデータ） (2020-01-21T14:31:01Z)

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。