Fugu-MT 論文翻訳(概要): Raising Student Completion Rates with Adaptive Curriculum and Contextual Bandits

論文の概要: Raising Student Completion Rates with Adaptive Curriculum and Contextual Bandits

arxiv url: http://arxiv.org/abs/2207.14003v1
Date: Thu, 28 Jul 2022 10:52:11 GMT
ステータス: 処理完了
システム内更新日: 2022-07-29 11:58:53.425941
Title: Raising Student Completion Rates with Adaptive Curriculum and Contextual Bandits
Title（参考訳）: 適応的カリキュラムと文脈帯域による学生の完成率の向上
Authors: Robert Belfer and Ekaterina Kochmar and Iulian Vlad Serban
Abstract要約: このモデルは、運動完了率を最大化するために何千人もの学生の軌道で訓練され、オンライン学習を続け、新しい活動に自動的に適応する。学生によるランダム化対照試験は,本モデルが他の手法と比較して,完成率の向上と学生のエンゲージメントの向上に寄与していることを示す。
参考スコア（独自算出の注目度）: 9.216754929052524
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present an adaptive learning Intelligent Tutoring System, which uses model-based reinforcement learning in the form of contextual bandits to assign learning activities to students. The model is trained on the trajectories of thousands of students in order to maximize their exercise completion rates and continues to learn online, automatically adjusting itself to new activities. A randomized controlled trial with students shows that our model leads to superior completion rates and significantly improved student engagement when compared to other approaches. Our approach is fully-automated unlocking new opportunities for learning experience personalization.
Abstract（参考訳）: 本稿では,モデルに基づく強化学習をコンテキストバンディットとして活用し,学習活動を学生に割り当てる適応学習知的指導システムを提案する。このモデルは、運動完了率を最大化するために何千人もの学生の軌道で訓練され、オンライン学習を続け、新しい活動に自動的に適応する。学生によるランダム化対照試験は,本モデルが他の手法と比較して,完成率の向上と学生のエンゲージメントの向上につながることを示している。私たちのアプローチは、学習経験のパーソナライズのための新たな機会を、完全に自動化しています。

関連論文リスト

RIGL: A Unified Reciprocal Approach for Tracing the Independent and Group Learning Processes [22.379764500005503]
個人レベルとグループレベルの両方で知識状態をトレースする統合相互モデルであるRIGLを提案する。本稿では,学生と集団の相互作用を同時にモデル化するための時間フレーム対応の相互埋め込みモジュールを提案する。動的グラフモデリングと時間的自己注意機構を組み合わせた関係誘導型時間的注意ネットワークを設計する。
論文参考訳（メタデータ） (2024-06-18T10:16:18Z)
A General Model for Detecting Learner Engagement: Implementation and Evaluation [0.0]
本稿では,学習者のエンゲージメントレベルを検出するための特徴の選択と処理のための,汎用的で軽量なモデルを提案する。本研究では,DAiSEEデータセットの映像を分析し,学習者のエンゲージメントのダイナミックな意義を捉えた。提案モデルは,特定の実装において68.57%の精度を達成し,学習者のエンゲージメントレベルを検出する最先端モデルより優れている。
論文参考訳（メタデータ） (2024-05-07T12:11:15Z)
SELFI: Autonomous Self-Improvement with Reinforcement Learning for Social Navigation [54.97931304488993]
体験と対話し、改善する自己改善ロボットは、ロボットシステムの現実的な展開の鍵となる。本研究では,オンラインロボット体験を活用したオンライン学習手法であるSELFIを提案する。本研究では, 衝突回避の観点からの改善と, より社会的に順応する行動について報告する。
論文参考訳（メタデータ） (2024-03-01T21:27:03Z)
Process mining for self-regulated learning assessment in e-learning [0.0]
我々は,プロセスマイニング技術を用いて,自己統制学習などの中核的スキルの習得について検討する。我々は,Moodle 2.0プラットフォーム上で1学期以上のコースで101人の大学生のインタラクショントレースに対して,インダクティブマイナーという教育領域に新しいアルゴリズムを適用した。受講生は, 受講生の示唆に忠実に従わなかったが, 失敗するクラスメートとは対照的に, 自己統制的な学習プロセスの論理に従わなかった。
論文参考訳（メタデータ） (2024-02-11T11:51:32Z)
Robot Fine-Tuning Made Easy: Pre-Training Rewards and Policies for Autonomous Real-World Reinforcement Learning [58.3994826169858]
ロボット強化学習のためのリセット不要な微調整システムであるRoboFuMEを紹介する。我々の洞察は、オフラインの強化学習技術を利用して、事前訓練されたポリシーの効率的なオンライン微調整を確保することである。提案手法では,既存のロボットデータセットからのデータを組み込んで,目標タスクを3時間以内の自律現実体験で改善することができる。
論文参考訳（メタデータ） (2023-10-23T17:50:08Z)
A Learned Simulation Environment to Model Student Engagement and Retention in Automated Online Courses [0.0]
運動順序が学生のエンゲージメントと保持性に与える影響を定量化するシミュレータを開発した。本システムでは,選択した演習の順序に基づいて,学生のエンゲージメントと保持率を予測することができる。
論文参考訳（メタデータ） (2022-12-22T22:38:21Z)
Distantly-Supervised Named Entity Recognition with Adaptive Teacher Learning and Fine-grained Student Ensemble [56.705249154629264]
NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
論文参考訳（メタデータ） (2022-12-13T12:14:09Z)
Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
論文参考訳（メタデータ） (2022-11-24T13:18:27Z)
RLTutor: Reinforcement Learning Based Adaptive Tutoring System by Modeling Virtual Student with Fewer Interactions [10.34673089426247]
本稿では,学生の仮想モデルを構築し,指導戦略を最適化する枠組みを提案する。この結果は,eラーニングシステムにおける理論的指導最適化と実践的応用のバッファとして機能する。
論文参考訳（メタデータ） (2021-07-31T15:42:03Z)
Learning to Reweight with Deep Interactions [104.68509759134878]
本稿では,教師モデルに内部状態を提供する改良型データ再重み付けアルゴリズムを提案する。クリーン/ノイズラベルとニューラルマシン翻訳を用いた画像分類実験は、我々のアルゴリズムが従来の手法よりも大幅に改善されていることを実証的に実証した。
論文参考訳（メタデータ） (2020-07-09T09:06:31Z)
Never Stop Learning: The Effectiveness of Fine-Tuning in Robotic Reinforcement Learning [109.77163932886413]
本稿では,ロボットによるロボット操作ポリシーを,政治以外の強化学習を通じて微調整することで,新たなバリエーションに適応する方法を示す。この適応は、タスクをゼロから学習するために必要なデータの0.2%未満を使用する。事前訓練されたポリシーを適用するという私たちのアプローチは、微調整の過程で大きなパフォーマンス向上につながります。
論文参考訳（メタデータ） (2020-04-21T17:57:04Z)

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。