論文の概要: Revelation of Task Difficulty in AI-aided Education
- arxiv url: http://arxiv.org/abs/2201.04633v1
- Date: Wed, 12 Jan 2022 18:10:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-15 03:43:01.425886
- Title: Revelation of Task Difficulty in AI-aided Education
- Title（参考訳）: AI支援教育における課題難解の啓発
- Authors: Yitzhak Spielberg, Amos Azaria
- Abstract要約: 本稿では,課題難易度が学生のパフォーマンス,モチベーション,自己効力感,主観的課題価値に与える影響について検討する。
学生の学習体験を2種類のAIシステムで支援することでどのように改善するかという課題について詳しく述べる。
- 参考スコア（独自算出の注目度）: 8.442084903594528
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: When a student is asked to perform a given task, her subjective estimate of
the difficulty of that task has a strong influence on her performance. There
exists a rich literature on the impact of perceived task difficulty on
performance and motivation. Yet, there is another topic that is closely related
to the subject of the influence of perceived task difficulty that did not
receive any attention in previous research - the influence of revealing the
true difficulty of a task to the student. This paper investigates the impact of
revealing the task difficulty on the student's performance, motivation,
self-efficacy and subjective task value via an experiment in which workers are
asked to solve matchstick riddles. Furthermore, we discuss how the experiment
results might be relevant for AI-aided education. Specifically, we elaborate on
the question of how a student's learning experience might be improved by
supporting her with two types of AI systems: an AI system that predicts task
difficulty and an AI system that determines when task difficulty should be
revealed and when not.
- Abstract（参考訳）: 学生が与えられたタスクを実行するように依頼されると、そのタスクの難しさを主観的に見積もることが、彼女のパフォーマンスに強い影響を与える。
タスクの難しさがパフォーマンスとモチベーションに与える影響について、豊富な文献がある。
しかし、前回の研究では特に注目されなかった課題難易度の影響、すなわち学生に対する課題の真の難易度を明らかにすることの影響について、密接に関係している別の話題がある。
本報告では,作業課題の難しさが学生のパフォーマンス,モチベーション,自己効力感,主観的課題価値に与える影響を,作業者に対して検討した。
さらに,ai支援教育における実験結果の意義について考察する。
具体的には,課題の難易度を予測するaiシステムと,課題の難易度をいつ明かすべきかを判断するaiシステムである。
関連論文リスト
- Guiding Through Complexity: What Makes Good Supervision for Hard Reasoning Tasks? [74.88417042125985]
複雑さの異なるタスクにおいて、様々な品質レベルで監視データを提供する様々なデータ駆動戦略について検討する。
ハードタスクの監視における結果エラー率が高い場合でも、そのようなデータによるトレーニングは、より簡単なサブタスクの監督を完璧に上回ります。
また,本研究の結果から,タスク・インスペクションとサブタスク・インスペクションを補完することで,顕著なパフォーマンス向上が期待できることがわかった。
論文 参考訳（メタデータ） (2024-10-27T17:55:27Z) - Raising the Stakes: Performance Pressure Improves AI-Assisted Decision Making [57.53469908423318]
日常の人が共通のAI支援タスクを完了すると、パフォーマンスプレッシャーがAIアドバイスへの依存に与える影響を示す。
利害関係が高い場合には、AIの説明の有無にかかわらず、利害関係が低い場合よりもAIアドバイスを適切に使用することが分かりました。
論文 参考訳（メタデータ） (2024-10-21T22:39:52Z) - Does the Order of Fine-tuning Matter and Why? [11.975836356680855]
本研究では,複数の中間タスクの微調整とその順序がタスク性能に及ぼす影響について検討する。
実験の結果,タスクオーダリングが目標タスクのパフォーマンスに与える影響は,パフォーマンスの最大6%,パフォーマンスの最大4%であることがわかった。
論文 参考訳（メタデータ） (2024-10-03T19:07:14Z) - Effects of a Prompt Engineering Intervention on Undergraduate Students' AI Self-Efficacy, AI Knowledge and Prompt Engineering Ability: A Mixed Methods Study [36.48421439947282]
本研究は,香港の大学において,迅速な工学的介入を設計・実施した。
学生のAI自己効力、AI知識、そして効果的なプロンプト作成能力について検討した。
論文 参考訳（メタデータ） (2024-07-30T15:05:24Z) - Visual AI and Linguistic Intelligence Through Steerability and
Composability [0.0]
本研究では,言語と視覚を統合した多段階課題に対処する上で,LLM(Multimodal large language model)の機能について検討する。
この研究は、AI Lego DesigningからAI Satellite Image Analysisまで、創造的で建設的に多様な14のタスクを提示する。
論文 参考訳（メタデータ） (2023-11-18T22:01:33Z) - Does Difficulty even Matter? Investigating Difficulty Adjustment and
Practice Behavior in an Open-Ended Learning Task [4.953983211671484]
オープンエンドタスクでは、難易度調整の効果が異なる可能性がある。
学生の実践行動が学生の学習方法に影響を及ぼすことが期待されているので,その実践行動をポストホック分析として考察する。
論文 参考訳（メタデータ） (2023-11-03T14:18:52Z) - 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) - Task Formulation Matters When Learning Continually: A Case Study in
Visual Question Answering [58.82325933356066]
継続的な学習は、以前の知識を忘れずに、一連のタスクでモデルを漸進的にトレーニングすることを目的としている。
本稿では,視覚的質問応答において,異なる設定がパフォーマンスに与える影響について詳細に検討する。
論文 参考訳（メタデータ） (2022-09-30T19:12:58Z) - Human Decision Makings on Curriculum Reinforcement Learning with
Difficulty Adjustment [52.07473934146584]
我々は,カリキュラム強化学習結果を,人的意思決定プロセスから学ぶことで,難しすぎず,難しすぎるような望ましいパフォーマンスレベルに導く。
本システムは非常に並列化可能であり,大規模強化学習アプリケーションの訓練が可能となる。
強化学習性能は、人間の所望の難易度と同期してうまく調整できることが示される。
論文 参考訳（メタデータ） (2022-08-04T23:53:51Z) - Efficiently Identifying Task Groupings for Multi-Task Learning [55.80489920205404]
マルチタスク学習は、あるタスクによって学習された情報を活用して、他のタスクのトレーニングに役立てることができる。
マルチタスク学習モデルにおいて、どのタスクを一緒にトレーニングすべきかを選択するアプローチを提案する。
本手法は,全タスクを協調学習し,タスクの勾配が他のタスクの損失に影響を及ぼす影響を定量化する。
論文 参考訳（メタデータ） (2021-09-10T02:01:43Z) - Gradient Surgery for Multi-Task Learning [119.675492088251]
マルチタスク学習は、複数のタスク間で構造を共有するための有望なアプローチとして登場した。
マルチタスク学習がシングルタスク学習と比較して難しい理由は、完全には理解されていない。
本稿では,他の作業の勾配の正規平面上にタスクの勾配を投影する勾配手術の一形態を提案する。
論文 参考訳（メタデータ） (2020-01-19T06:33:47Z)
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。