論文の概要: Enhancing a Student Productivity Model for Adaptive Problem-Solving
Assistance
- arxiv url: http://arxiv.org/abs/2207.03025v1
- Date: Thu, 7 Jul 2022 00:41:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-08 13:24:59.855828
- Title: Enhancing a Student Productivity Model for Adaptive Problem-Solving
Assistance
- Title（参考訳）: 適応的問題解決支援のための学生生産性モデルの構築
- Authors: Mehak Maniktala, Min Chi, and Tiffany Barnes
- Abstract要約: 本稿では,学生が支援の必要性を予測するためにヒントを取り入れた新しいデータ駆動型アプローチを提案する。
このような政策が学生のトレーニング時間を大幅に節約できることを示す実証的証拠を示す。
このアプローチの恩恵を受けることができるドメインと、採用の要件についての提案を締めくくります。
- 参考スコア（独自算出の注目度）: 7.253181280137071
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Research on intelligent tutoring systems has been exploring data-driven
methods to deliver effective adaptive assistance. While much work has been done
to provide adaptive assistance when students seek help, they may not seek help
optimally. This had led to the growing interest in proactive adaptive
assistance, where the tutor provides unsolicited assistance upon predictions of
struggle or unproductivity. Determining when and whether to provide
personalized support is a well-known challenge called the assistance dilemma.
Addressing this dilemma is particularly challenging in open-ended domains,
where there can be several ways to solve problems. Researchers have explored
methods to determine when to proactively help students, but few of these
methods have taken prior hint usage into account. In this paper, we present a
novel data-driven approach to incorporate students' hint usage in predicting
their need for help. We explore its impact in an intelligent tutor that deals
with the open-ended and well-structured domain of logic proofs. We present a
controlled study to investigate the impact of an adaptive hint policy based on
predictions of HelpNeed that incorporate students' hint usage. We show
empirical evidence to support that such a policy can save students a
significant amount of time in training, and lead to improved posttest results,
when compared to a control without proactive interventions. We also show that
incorporating students' hint usage significantly improves the adaptive hint
policy's efficacy in predicting students' HelpNeed, thereby reducing training
unproductivity, reducing possible help avoidance, and increasing possible help
appropriateness (a higher chance of receiving help when it was likely to be
needed). We conclude with suggestions on the domains that can benefit from this
approach as well as the requirements for adoption.
- Abstract（参考訳）: インテリジェントな教育システムに関する研究は、効果的なアダプティブアシスタンスを提供するデータ駆動手法を探求している。
学生が支援を求めるとき、適応支援を提供するために多くの作業が行われているが、最適な支援を求めることはできない。
このことは、教師が苦難や非生産性の予測に対して無分別な援助を提供する、積極的適応支援への関心の高まりにつながった。
パーソナライズされたサポートを提供するかどうかの決定は、援助ジレンマと呼ばれるよく知られた課題である。
このジレンマに対処することは、問題を解くいくつかの方法があるオープンエンドドメインにおいて特に難しい。
研究者は、学生を積極的に支援するタイミングを決定する方法を模索してきたが、これらの方法のほとんどが事前のヒントを考慮に入れていない。
本稿では,学生が支援の必要性を予測するためにヒントを取り入れた新しいデータ駆動型アプローチを提案する。
我々は、オープンで構造化された論理証明のドメインを扱うインテリジェントなチューターにおけるその影響を探求する。
本研究は,学生のヒント利用を取り入れた支援者の予測に基づく適応的ヒント政策の効果を検討するための制御研究である。
我々は,このような政策が学生のトレーニング時間を大幅に節約できることを示す実証的証拠を示し,前向きな介入を伴わないコントロールと比較して,テスト結果の改善につながることを実証した。
また,学生のヒント利用を取り入れることで,学生の援助ニーズ予測における適応的ヒント政策の有効性が大幅に向上し,その結果,非生産的トレーニングの削減,支援回避の可能性の低減,支援の適切性の向上(支援が必要となる可能性が高い)が期待できることを示した。
このアプローチの恩恵を受けることができるドメインと、採用の要件についての提案を締めくくります。
関連論文リスト
- Learning to Assist Humans without Inferring Rewards [65.28156318196397]
我々は、エンパワーメントのレンズを通して支援を研究する先行研究に基づいて構築する。
補助剤は、人間の行動の影響を最大化することを目的としている。
これらの表現は、先行研究と類似したエンパワーメントの概念を推定する。
論文 参考訳（メタデータ） (2024-11-04T21:31:04Z) - Learning Task Decomposition to Assist Humans in Competitive Programming [90.4846613669734]
タスク分解学習のための新しい目的,いわゆる値(AssistV)を導入する。
我々は、さまざまな分解されたソリューションに対して、人間の修理経験のデータセットを収集する。
人間の177時間以内の研究では、非専門家が33.3%の問題を解き、それらを3.3倍スピードアップさせ、無支援の専門家にマッチさせる権限を与える。
論文 参考訳（メタデータ） (2024-06-07T03:27:51Z) - Improving Point-based Crowd Counting and Localization Based on Auxiliary Point Guidance [59.71186244597394]
本稿では,提案手法における提案対象マッチングの安定化に有効な手法を提案する。
本稿では,提案手法の選択と最適化のために,Auxiliary Point Guidance (APG)を提案する。
また,多様な群集シナリオにおける適応的特徴抽出を可能にするために,IFI(Implicit Feature Interpolation)を開発した。
論文 参考訳（メタデータ） (2024-05-17T07:23:27Z) - Use of recommendation models to provide support to dyslexic students [0.0]
本研究は, ディプレックス学生に最も適した支援ツールとして, AIを活用する可能性について検討した。
我々は,3つの協調フィルタリング推薦モデルを訓練し,1237名の学生の大規模データベース上で実験を行った。
その結果,レコメンデーションシステムは,全員に最適なヘルプツールや戦略を提案する上で極めて有効であることがわかった。
論文 参考訳（メタデータ） (2024-03-18T12:12:38Z) - Optimising Human-AI Collaboration by Learning Convincing Explanations [62.81395661556852]
本研究では,人間による意思決定によって安全を保ちながら協調的なシステムを構築する手法を提案する。
Ardentは、説明のための個人の好みに適応することで、効率的で効果的な意思決定を可能にする。
論文 参考訳（メタデータ） (2023-11-13T16:00:16Z) - Reinforcement Learning Tutor Better Supported Lower Performers in a Math
Task [32.6507926764587]
強化学習は、開発コストを削減し、インテリジェントな学習ソフトウェアの有効性を向上させるための重要なツールとなり得る。
本研究では, 深層強化学習を用いて, 音量の概念を学習する学生に適応的な教育支援を行うことができることを示す。
論文 参考訳（メタデータ） (2023-04-11T02:11:24Z) - Discovering an Aid Policy to Minimize Student Evasion Using Offline
Reinforcement Learning [2.2344764434954256]
オフライン強化学習を用いた学生の援助行動選択のための意思決定支援手法を提案する。
実学生のログデータを用いた実験では,非政治評価により,ログ政策の約1.0倍から1.5倍の累積報酬を得られることが判明した。
論文 参考訳（メタデータ） (2021-04-20T21:45:19Z) - Generative Inverse Deep Reinforcement Learning for Online Recommendation [62.09946317831129]
オンラインレコメンデーションのための新しい逆強化学習手法InvRecを提案する。
InvRecは、オンラインレコメンデーションのために、ユーザの行動から報酬関数を自動的に抽出する。
論文 参考訳（メタデータ） (2020-11-04T12:12:25Z) - Extending the Hint Factory for the assistance dilemma: A novel,
data-driven HelpNeed Predictor for proactive problem-solving help [6.188683567894372]
非生産的な問題解決のステップを分類し、予測し、予防するための、データ駆動型の一連の手法を提案する。
本稿では,学生が非生産的になる確率を決定するために,事前の学生データを用いたHelpNeed分類を提案する。
我々は、これらのHelpNeedメソッドが、他のよく構造化されたオープンエンドドメインにどのように適用できるかという提案で締めくくった。
論文 参考訳（メタデータ） (2020-10-08T17:04:03Z) - Avoiding Help Avoidance: Using Interface Design Changes to Promote
Unsolicited Hint Usage in an Intelligent Tutor [6.639504127104268]
そこで本稿では,データ駆動型インテリジェントチュータに無意味なヒントを提供するための,"Assertions"と呼ばれる新たなヒント配信機構を提案する。
要求時にヒントのみを提供するシステムでは、ヒント回避は学生が必要なときにヒントを受け取らないことを意味する。
その結果,AssertionsはMessagesに比べて無意味なヒント使用率を著しく向上させることがわかった。
論文 参考訳（メタデータ） (2020-09-28T14:39:11Z) - AvE: Assistance via Empowerment [77.08882807208461]
そこで我々は,人間の環境制御能力を高めることで,支援のための新しいパラダイムを提案する。
このタスクに依存しない目的は、個人の自律性と最終的な状態を達成する能力を維持する。
論文 参考訳（メタデータ） (2020-06-26T04:40:11Z)
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。