論文の概要: Understanding Self-Directed Learning in an Online Laboratory
- arxiv url: http://arxiv.org/abs/2206.02742v1
- Date: Mon, 6 Jun 2022 16:55:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-07 17:32:58.710124
- Title: Understanding Self-Directed Learning in an Online Laboratory
- Title(参考訳): オンライン研究室における自己指導型学習の理解
- Authors: Sungeun An, Spencer Rugaber, Jennifer Hammock, Ashok K. Goel
- Abstract要約: 本研究では,モデリング行動と結果のみを観察し,学習目標と結果が不明であった。
機械学習を用いて、315人の学習者と822人の概念モデルをモデル化した。
- 参考スコア(独自算出の注目度): 6.193838300896449
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We described a study on the use of an online laboratory for self-directed
learning by constructing and simulating conceptual models of ecological
systems. In this study, we could observe only the modeling behaviors and
outcomes; the learning goals and outcomes were unknown. We used machine
learning techniques to analyze the modeling behaviors of 315 learners and 822
conceptual models they generated. We derive three main conclusions from the
results. First, learners manifest three types of modeling behaviors:
observation (simulation focused), construction (construction focused), and full
exploration (model construction, evaluation and revision). Second, while
observation was the most common behavior among all learners, construction
without evaluation was more common for less engaged learners and full
exploration occurred mostly for more engaged learners. Third, learners who
explored the full cycle of model construction, evaluation and revision
generated models of higher quality. These modeling behaviors provide insights
into self-directed learning at large.
- Abstract(参考訳): 生態学システムの概念モデルの構築とシミュレーションにより,オンライン実験室による自己指導学習について検討した。
本研究では,モデリング行動と結果のみを観察し,学習目標と結果は不明であった。
機械学習を用いて315人の学習者と822人の概念モデルのモデリング行動を解析した。
結果から3つの主な結論を導き出す。
まず、学習者は、観察(シミュレーション焦点)、構築(構築焦点)、完全な探索(モデル構築、評価、修正)の3つのタイプのモデリング行動を示す。
第二に、観察はすべての学習者の間で最も一般的な行動であったが、学習者が少ない場合には評価のない構築の方が一般的であった。
第3に,モデル構築,評価,修正の全サイクルを探求した学習者が,高品質のモデルを生み出した。
これらのモデリング行動は、自己指向学習全体に対する洞察を与える。
関連論文リスト
- Learning Interpretable Concepts: Unifying Causal Representation Learning
and Foundation Models [51.43538150982291]
人間の解釈可能な概念をデータから学習する方法を研究する。
両分野からアイデアをまとめ、多様なデータから概念を確実に回収できることを示す。
論文 参考訳(メタデータ) (2024-02-14T15:23:59Z) - Leveraging generative artificial intelligence to simulate student
learning behavior [13.171768256928509]
本研究では,大規模言語モデル(LLM)による学生の学習行動のシミュレートの実現可能性について検討する。
従来の機械学習に基づく予測とは異なり、私たちはLLMを活用して、特定の人口層を持つ仮想学生をインスタンス化する。
我々の目的は、学習成果を予測するだけでなく、実際の学生の学習行動やパターンを再現することである。
論文 参考訳(メタデータ) (2023-10-30T00:09:59Z) - Generative Models as a Complex Systems Science: How can we make sense of
large language model behavior? [75.79305790453654]
事前訓練されたモデルから望ましい振る舞いを排除し、望ましくないモデルを避けながら、NLPを再定義した。
言語モデルの振る舞いをタスク間性能を説明するカテゴリに分解する体系的な取り組みについて論じる。
論文 参考訳(メタデータ) (2023-07-31T22:58:41Z) - Predicting long-term collective animal behavior with deep learning [67.06717327342473]
本研究は,魚種Hemigrammus rhodostomusにおける社会的相互作用の深層学習モデルを導入する。
実験結果と最先端解析モデルの結果を比較した。
我々は,ソーシャルインタラクションの機械学習モデルが,その分析モデルと直接競合できることを実証した。
論文 参考訳(メタデータ) (2023-02-14T05:25:03Z) - Minimal Value-Equivalent Partial Models for Scalable and Robust Planning
in Lifelong Reinforcement Learning [56.50123642237106]
モデルに基づく強化学習における一般的な実践は、エージェントの環境のあらゆる側面をモデル化するモデルを学ぶことである。
このようなモデルは、生涯にわたる強化学習シナリオにおいて、スケーラブルで堅牢な計画を実行するのに特に適していない、と我々は主張する。
我々は,「最小値部分モデル」と呼ぶ,環境の関連する側面のみをモデル化する新しい種類のモデルを提案する。
論文 参考訳(メタデータ) (2023-01-24T16:40:01Z) - Machine Learning Approach for Predicting Students Academic Performance
and Study Strategies based on their Motivation [0.0]
本研究は,学生の学業成績と学習戦略予測のための機械学習モデルの開発を目的とする。
モデル構築には,学生の学習過程に不可欠な重要な学習属性(内在的,外在的,自律的,関連性,能力,自尊心)が用いられた。
論文 参考訳(メタデータ) (2022-10-15T04:09:05Z) - Predicting student performance using sequence classification with
time-based windows [1.5836913530330787]
本研究では,学生の行動データから得られた逐次的パターンに基づいて,正確な予測モデルを構築することができることを示す。
本稿では,行動データの時間的側面を把握し,モデルの性能予測に与える影響を解析する手法を提案する。
改良されたシーケンス分類手法は,高レベルの精度で生徒のパフォーマンスを予測でき,コース固有のモデルでは90%に達する。
論文 参考訳(メタデータ) (2022-08-16T13:46:39Z) - Towards Interpretable Deep Reinforcement Learning Models via Inverse
Reinforcement Learning [27.841725567976315]
本稿では,逆逆強化学習を利用した新しいフレームワークを提案する。
このフレームワークは、強化学習モデルによる決定のグローバルな説明を提供する。
モデルの意思決定過程を要約することで、モデルが従う直感的な傾向を捉える。
論文 参考訳(メタデータ) (2022-03-30T17:01:59Z) - Learning abstract structure for drawing by efficient motor program
induction [52.13961975752941]
我々は、人間が構造化された事前知識を迅速に取得する方法を研究するために、自然主義的な描画タスクを開発する。
一般化を支援する抽象的な描画手順を自然に学習していることが示される。
本稿では,これらの再利用可能な描画プログラムを学習者がどのように発見できるかのモデルを提案する。
論文 参考訳(メタデータ) (2020-08-08T13:31:14Z) - Learning intuitive physics and one-shot imitation using
state-action-prediction self-organizing maps [0.0]
人間は探索と模倣によって学び、世界の因果モデルを構築し、両方を使って新しいタスクを柔軟に解決する。
このような特徴を生み出す単純だが効果的な教師なしモデルを提案する。
エージェントがアクティブな推論スタイルで柔軟に解決する、複数の関連するが異なる1ショットの模倣タスクに対して、その性能を示す。
論文 参考訳(メタデータ) (2020-07-03T12:29:11Z) - Three Approaches for Personalization with Applications to Federated
Learning [68.19709953755238]
本稿では,パーソナライゼーションの体系的学習理論について述べる。
学習理論の保証と効率的なアルゴリズムを提供し、その性能を実証する。
全てのアルゴリズムはモデルに依存しず、任意の仮説クラスで機能する。
論文 参考訳(メタデータ) (2020-02-25T01:36:43Z)
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。