論文の概要: Generalisable Methods for Early Prediction in Interactive Simulations
for Education
- arxiv url: http://arxiv.org/abs/2207.01457v1
- Date: Mon, 4 Jul 2022 14:46:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-05 16:50:45.300089
- Title: Generalisable Methods for Early Prediction in Interactive Simulations
for Education
- Title(参考訳): 教育用対話型シミュレーションにおける初期予測の一般化手法
- Authors: Jade Ma\"i Cock and Mirko Marras and Christian Giang and Tanja K\"aser
- Abstract要約: シミュレーションにおける生徒のインタラクションデータを,期待性能に基づいて分類することは,適応的な指導を可能にする可能性がある。
まず,学生のタスク内動作を通して概念的理解を計測する。
そこで,我々は,クリックストリームデータから,シミュレーションの状態と学生の行動の両方をエンコードする,新しいタイプの特徴を提案する。
- 参考スコア(独自算出の注目度): 5.725477071353353
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Interactive simulations allow students to discover the underlying principles
of a scientific phenomenon through their own exploration. Unfortunately,
students often struggle to learn effectively in these environments. Classifying
students' interaction data in the simulations based on their expected
performance has the potential to enable adaptive guidance and consequently
improve students' learning. Previous research in this field has mainly focused
on a-posteriori analyses or investigations limited to one specific predictive
model and simulation. In this paper, we investigate the quality and
generalisability of models for an early prediction of conceptual understanding
based on clickstream data of students across interactive simulations. We first
measure the students' conceptual understanding through their in-task
performance. Then, we suggest a novel type of features that, starting from
clickstream data, encodes both the state of the simulation and the action
performed by the student. We finally propose to feed these features into
GRU-based models, with and without attention, for prediction. Experiments on
two different simulations and with two different populations show that our
proposed models outperform shallow learning baselines and better generalise to
different learning environments and populations. The inclusion of attention
into the model increases interpretability in terms of effective inquiry. The
source code is available on Github
(https://github.com/epfl-ml4ed/beerslaw-lab.git).
- Abstract(参考訳): 対話型シミュレーションにより、学生は自身の探索を通じて科学的現象の基本的な原理を発見できる。
残念ながら、学生はこれらの環境で効果的に学ぶのに苦労することが多い。
期待性能に基づくシミュレーションにおける学生のインタラクションデータの分類は、適応的な指導を可能にし、その結果、生徒の学習を改善する可能性を秘めている。
この分野でのこれまでの研究は主に、特定の予測モデルとシミュレーションに限定されたa-posteriori分析や研究に焦点が当てられている。
本稿では,対話型シミュレーションによる学生のクリックストリームデータに基づく概念理解の早期予測のためのモデルの品質と一般化可能性について検討する。
まず,学生の理解度をタスク内パフォーマンスを通して測定する。
そこで,我々は,クリックストリームデータから,シミュレーションの状態と学生の行動の両方を符号化する新しいタイプの特徴を提案する。
我々は最終的に、これらの特徴をGRUベースのモデルに反映し、注意を払わずに予測することを提案する。
2つの異なるシミュレーションと2つの異なる集団による実験により、提案モデルが浅層学習ベースラインを上回り、異なる学習環境や集団により良い一般化が得られた。
モデルへの注意の取り込みは、効果的な調査の観点から解釈可能性を高める。
ソースコードはgithubから入手できる(https://github.com/epfl-ml4ed/beerslaw-lab.git)。
関連論文リスト
- Toward In-Context Teaching: Adapting Examples to Students' Misconceptions [54.82965010592045]
本稿ではAdapTと呼ばれる一連のモデルと評価手法を紹介する。
AToMは、学生の過去の信念を共同で推論し、将来の信念の正しさを最適化する適応教育の新しい確率論的モデルである。
本研究は,適応型学習課題の難しさと,それを解決するための学習適応モデルの可能性を両立させるものである。
論文 参考訳(メタデータ) (2024-05-07T17:05:27Z) - EduAgent: Generative Student Agents in Learning [15.215078619481732]
オンライン教育における学生シミュレーションは,様々な背景を持つ学生の動的学習行動に対処するために重要である。
ディープラーニングに基づく既存のシミュレーションモデルでは、教育的文脈における事前知識が欠如しているため、大規模なトレーニングデータが必要である。
本研究は,認知的事前知識を取り入れた新しい生成エージェントフレームワークであるEduAgentを提案する。
論文 参考訳(メタデータ) (2024-03-23T18:19:17Z) - 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) - Modeling Student Performance in Game-Based Learning Environments [0.0]
本研究では,教育ゲーム「Jo Wilder and the Capitol Case」の文脈におけるゲーム学習について検討する。
本研究の目的は,学生のパフォーマンスや質問応答の正しさを最も予測できる特徴を特定することである。
論文 参考訳(メタデータ) (2023-09-23T16:53:07Z) - User Behavior Simulation with Large Language Model based Agents [116.74368915420065]
LLMベースのエージェントフレームワークを提案し,実際のユーザ動作をシミュレートするサンドボックス環境を設計する。
実験結果から,本手法のシミュレーション行動は実人の行動に非常に近いことが判明した。
論文 参考訳(メタデータ) (2023-06-05T02:58:35Z) - Predictive Experience Replay for Continual Visual Control and
Forecasting [62.06183102362871]
視覚力学モデリングのための新しい連続学習手法を提案し,その視覚制御と予測における有効性について検討する。
まず,タスク固有のダイナミクスをガウスの混合で学習する混合世界モデルを提案し,その上で,破滅的な忘れを克服するための新たなトレーニング戦略を提案する。
我々のモデルは,DeepMind Control と Meta-World のベンチマークにおいて,既存の連続的学習アルゴリズムと視覚的RLアルゴリズムの単純な組み合わせよりも優れている。
論文 参考訳(メタデータ) (2023-03-12T05:08:03Z) - Leveraging Demonstrations with Latent Space Priors [90.56502305574665]
本稿では,スキル学習とシーケンスモデリングを組み合わせることで,実演データセットを活用することを提案する。
本研究では、国家のみのモーションキャプチャーの実証から、そのような先行情報をどうやって取得するかを示し、政策学習に組み込むためのいくつかの方法を探る。
実験結果から, 学習速度と最終性能において, 遅延空間が顕著に向上することが確認された。
論文 参考訳(メタデータ) (2022-10-26T13:08:46Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳(メタデータ) (2022-06-17T08:32:43Z) - A Predictive Model for Student Performance in Classrooms Using Student
Interactions With an eTextbook [0.0]
本稿では,学生がインタラクティブなオンラインeTextbookとどのように相互作用するかの分析に基づいて,学生のパフォーマンスを予測する新しいモデルを提案する。
提案モデルを構築するために,データ構造とアルゴリズムのコースから得られたデータに基づいて,最も一般的な分類アルゴリズムと回帰アルゴリズムを評価した。
論文 参考訳(メタデータ) (2022-02-16T11:59:53Z) - Towards Open-World Feature Extrapolation: An Inductive Graph Learning
Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。
本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文 参考訳(メタデータ) (2021-10-09T09:02:45Z) - Jointly Modeling Heterogeneous Student Behaviors and Interactions Among
Multiple Prediction Tasks [35.15654921278549]
学生の予測課題は学生と大学生の両方にとって実用的な意味を持つ。
本稿では,不均一な振る舞いをモデル化し,複数の予測を行う。
大学から収集した実世界のデータセットに基づいて,モチベーション行動予測タスクを3つ設計する。
論文 参考訳(メタデータ) (2021-03-25T02:01:58Z)
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。