論文の概要: Few-shot Question Generation for Personalized Feedback in Intelligent Tutoring Systems

• arxiv url: http://arxiv.org/abs/2206.04187v1
• Date: Wed, 8 Jun 2022 22:59:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-11 04:45:22.328399
• Title: Few-shot Question Generation for Personalized Feedback in Intelligent Tutoring Systems
• Title（参考訳）: 知的指導システムにおけるパーソナライズされたフィードバックのためのマイズショット質問生成
• Authors: Devang Kulshreshtha, Muhammad Shayan, Robert Belfer, Siva Reddy, Iulian Vlad Serban, Ekaterina Kochmar
• Abstract要約: パーソナライズされた修正フィードバックシステムは、生成質問応答システムを改善する可能性があることを示す。 実対話型ITSでは,生徒の学習能力が45%,23%向上した。
• 参考スコア（独自算出の注目度）: 22.167776818471026
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing work on generating hints in Intelligent Tutoring Systems (ITS) focuses mostly on manual and non-personalized feedback. In this work, we explore automatically generated questions as personalized feedback in an ITS. Our personalized feedback can pinpoint correct and incorrect or missing phrases in student answers as well as guide them towards correct answer by asking a question in natural language. Our approach combines cause-effect analysis to break down student answers using text similarity-based NLP Transformer models to identify correct and incorrect or missing parts. We train a few-shot Neural Question Generation and Question Re-ranking models to show questions addressing components missing in the student answers which steers students towards the correct answer. Our model vastly outperforms both simple and strong baselines in terms of student learning gains by 45% and 23% respectively when tested in a real dialogue-based ITS. Finally, we show that our personalized corrective feedback system has the potential to improve Generative Question Answering systems.
• Abstract（参考訳）: 既存のIntelligent Tutoring Systems(ITS)のヒント生成作業は、主に手動および非個人化されたフィードバックに焦点を当てている。 本研究では,ITSにおけるパーソナライズされたフィードバックとして自動生成された質問を探索する。 我々のパーソナライズされたフィードバックは、学生の回答の中で正しいフレーズや間違ったフレーズを特定できるだけでなく、自然言語で質問することで正しい答えへと導くことができる。 本手法では, テキスト類似性に基づくNLPトランスフォーマーモデルを用いて, 原因影響分析と生徒の回答の分解を組み合わせ, 正誤, 欠失箇所の同定を行う。 学生の回答に欠けているコンポーネントに対する質問を正解に向けて提示するために,数ショットのニューラル質問生成と質問再分類モデルを訓練する。 本モデルは,実際の対話型itsでテストした場合,学生の学習率の45%,23%という,単純かつ強固なベースラインをそれぞれ上回っている。 最後に,パーソナライズされた修正フィードバックシステムは,生成的質問応答システムを改善する可能性を秘めている。

関連論文リスト

• Stepwise Verification and Remediation of Student Reasoning Errors with Large Language Model Tutors [78.53699244846285]
  大規模言語モデル(LLM)は、高品質なパーソナライズされた教育を全員に拡大する機会を提供する。 LLMは、学生のエラーを正確に検知し、これらのエラーに対するフィードバックを調整するのに苦労する。 教師が学生の誤りを識別し、それに基づいて回答をカスタマイズする現実世界の教育実践に触発され、我々は学生ソリューションの検証に焦点をあてる。
  論文  参考訳（メタデータ） (2024-07-12T10:11:40Z)
• Student Answer Forecasting: Transformer-Driven Answer Choice Prediction for Language Learning [2.8887520199545187]
  近年の研究では、学生の特定の解答選択に対するパフォーマンスよりも、解答の正しさに焦点が当てられている。 MCQStudentBertは,学生の回答履歴の文脈的理解と質問や回答のテキストを統合した回答予測モデルである。 この作業は、よりパーソナライズされたコンテンツ、モジュール化、そして粒度の細かいサポートへの扉を開く。
  論文  参考訳（メタデータ） (2024-05-30T14:09:43Z)
• Improving the Validity of Automatically Generated Feedback via Reinforcement Learning [50.067342343957876]
  強化学習(RL)を用いた正当性と整合性の両方を最適化するフィードバック生成フレームワークを提案する。 具体的には、直接選好最適化(DPO)によるトレーニングのための拡張データセットにおいて、GPT-4のアノテーションを使用してフィードバックペアよりも好みを生成する。
  論文  参考訳（メタデータ） (2024-03-02T20:25:50Z)
• Continually Improving Extractive QA via Human Feedback [59.49549491725224]
  本研究では,人間のフィードバックによる抽出質問応答(QA)システムの改善を継続的に進める。 多様な設定の下で何千ものユーザインタラクションを含む実験を行い、時間とともにフィードバックからの学習の理解を広げます。
  論文  参考訳（メタデータ） (2023-05-21T14:35:32Z)
• Question Personalization in an Intelligent Tutoring System [5.644357169513361]
  教科能力の異なる学生に合った質問を生成すれば,生徒の学習能力が向上することを示す。 この知見は,質問の言語的実現が学生の学習結果に影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2022-05-25T15:23:51Z)
• Towards Teachable Reasoning Systems [29.59387051046722]
  質問応答のための授業可能な推論システム(QA)を開発した。 私たちのアプローチは3つあります。 まず、生成された推論の連鎖は、システムの内部の信念によってどのように答えが示唆されるかを示しています。 第二に、ユーザーは説明と対話して誤ったモデル信念を特定し、修正を行うことができる。 第3に、そのような補正の動的なメモリでモデルを増強する。
  論文  参考訳（メタデータ） (2022-04-27T17:15:07Z)
• Simulating Bandit Learning from User Feedback for Extractive Question Answering [51.97943858898579]
  教師付きデータを用いたフィードバックのシミュレーションにより,ユーザフィードバックからの学習を抽出的質問応答に適用する。 当初は少数の例でトレーニングしたシステムが,モデル予測された回答に対するユーザからのフィードバックを劇的に改善できることが示される。
  論文  参考訳（メタデータ） (2022-03-18T17:47:58Z)
• 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)
• Deep Discourse Analysis for Generating Personalized Feedback in Intelligent Tutor Systems [4.716555240531893]
  ITS(Intelligent Tutoring System)で、自動化されたパーソナライズされたフィードバックの作成を検討します。 我々のゴールは、学生のより優れた学習目標を達成するために、学生の回答の正しい概念と間違った概念を見極めることである。
  論文  参考訳（メタデータ） (2021-03-13T20:33:10Z)
• Learning an Effective Context-Response Matching Model with Self-Supervised Tasks for Retrieval-based Dialogues [88.73739515457116]
  我々は,次のセッション予測,発話復元,不整合検出,一貫性判定を含む4つの自己教師型タスクを導入する。 我々はPLMに基づく応答選択モデルとこれらの補助タスクをマルチタスク方式で共同で訓練する。 実験結果から,提案した補助的自己教師型タスクは,多ターン応答選択において大きな改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-09-14T08:44:46Z)
• Automated Personalized Feedback Improves Learning Gains in an Intelligent Tutoring System [34.19909376464836]
  大規模知的学習システム(ITS)における自動的、データ駆動型、パーソナライズされたフィードバックが、学生の学習結果をいかに改善するかを検討する。 本稿では,個別の学生のニーズを考慮に入れたパーソナライズされたフィードバックを生成する機械学習手法を提案する。 我々は、最先端の機械学習と自然言語処理技術を利用して、学生にパーソナライズされたヒント、ウィキペディアに基づく説明、数学的ヒントを提供する。
  論文  参考訳（メタデータ） (2020-05-05T18:30:08Z)

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。