論文の概要: NeurIPS Competition Instructions and Guide: Causal Insights for Learning Paths in Education

• arxiv url: http://arxiv.org/abs/2208.12610v2
• Date: Wed, 31 Aug 2022 19:55:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-04 02:10:24.851135
• Title: NeurIPS Competition Instructions and Guide: Causal Insights for Learning Paths in Education
• Title（参考訳）: NeurIPSコンペティションの指導とガイド:教育における学習経路の因果的視点
• Authors: Wenbo Gong, Digory Smith, Zichao Wang, Craig Barton, Simon Woodhead, Nick Pawlowski, Joel Jennings, Cheng Zhang
• Abstract要約: 参加者は、時系列データを用いた教育の文脈における機械学習における2つの基本的な因果的課題に対処する。 1つ目は、構成物が学習の最小要素として定義される異なる構成物間の因果関係を特定することである。 2つ目の課題は、ある構造を学ぶことが他の構造に対する質問に答える能力に与える影響を予測することである。
• 参考スコア（独自算出の注目度）: 15.014508164142075
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this competition, participants will address two fundamental causal challenges in machine learning in the context of education using time-series data. The first is to identify the causal relationships between different constructs, where a construct is defined as the smallest element of learning. The second challenge is to predict the impact of learning one construct on the ability to answer questions on other constructs. Addressing these challenges will enable optimisation of students' knowledge acquisition, which can be deployed in a real edtech solution impacting millions of students. Participants will run these tasks in an idealised environment with synthetic data and a real-world scenario with evaluation data collected from a series of A/B tests.
• Abstract（参考訳）: このコンテストでは、参加者は時系列データを用いた教育の文脈における機械学習における2つの基本的な因果問題に対処する。 1つ目は異なる構成物間の因果関係を識別することであり、構成物は学習の最小要素として定義される。 2つ目の課題は、ある構造を学ぶことが他の構造に対する質問に答える能力に与える影響を予測することである。 これらの課題に対処することで、学生の知識獲得の最適化が可能になる。 参加者はこれらのタスクを、一連のA/Bテストから収集した評価データを備えた合成データと実世界のシナリオで理想的な環境で実行します。

関連論文リスト

• Generate to Discriminate: Expert Routing for Continual Learning [59.71853576559306]
  Generate to Discriminate (G2D) は、合成データを利用してドメイン識別器を訓練する連続学習手法である。 我々は、G2Dが視覚と言語の両方におけるタスクにおいて、競争力のあるドメイン・インクリメンタル・ラーニング手法より優れていることを観察する。
  論文  参考訳（メタデータ） (2024-12-22T13:16:28Z)
• Detecting Unsuccessful Students in Cybersecurity Exercises in Two Different Learning Environments [0.37729165787434493]
  本稿では,学生の難易度を予測するための自動ツールを開発する。 潜在的な応用として、このようなモデルは、苦労している生徒を検知し、目標とする支援を提供するインストラクターを助けることができる。
  論文  参考訳（メタデータ） (2024-08-16T04:57:54Z)
• Investigating the Pre-Training Dynamics of In-Context Learning: Task Recognition vs. Task Learning [99.05401042153214]
  In-context Learning(ICL)は、タスク認識(TR)とタスク学習(TL)の2つの主要な能力に起因する可能性がある。 ICLの出現の事前学習のダイナミクスを調べることで、第一歩を踏み出す。 そこで本研究では,この2つの機能を推論時によりよく統合するための,シンプルで効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-06-20T06:37:47Z)
• Process Mining for Unstructured Data: Challenges and Research Directions [0.0]
  非構造化データに対するプロセスマイニングの適用は、非構造化データが共通のデータ形式である分野に対する新たな洞察を著しく高める可能性がある。 プロセスマイニングによる非構造化データを効率的に解析し、解析結果に信頼性を持たせるためには、複数の課題をブリッジする必要がある。
  論文  参考訳（メタデータ） (2023-11-30T12:09:14Z)
• Can Foundation Models Watch, Talk and Guide You Step by Step to Make a Cake? [62.59699229202307]
  AIの進歩にもかかわらず、インタラクティブなタスクガイダンスシステムの開発は依然として大きな課題である。 我々は、人間のユーザと人間のインストラクターとの自然なインタラクションに基づいて、新しいマルチモーダルベンチマークデータセット、ウォッチ、トーク、ガイド(WTaG)を作成しました。 いくつかの基礎モデルを活用して、これらのモデルが認識可能なタスクガイダンスに迅速に適応できるかを調査した。
  論文  参考訳（メタデータ） (2023-11-01T15:13:49Z)
• Enhancing Student Performance Prediction on Learnersourced Questions with SGNN-LLM Synergy [11.735587384038753]
  本稿では,SGNN(Signed Graph Neural Networks)とLLM(Large Language Model)を統合化するための革新的な戦略を提案する。 提案手法では, 学生の回答を包括的にモデル化するための署名付き二部グラフを用いて, 雑音耐性を高めるコントラスト学習フレームワークを補完する。
  論文  参考訳（メタデータ） (2023-09-23T23:37:55Z)
• Accelerating exploration and representation learning with offline pre-training [52.6912479800592]
  1つのオフラインデータセットから2つの異なるモデルを別々に学習することで、探索と表現の学習を改善することができることを示す。 ノイズコントラスト推定と補助報酬モデルを用いて状態表現を学習することで、挑戦的なNetHackベンチマークのサンプル効率を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2023-03-31T18:03:30Z)
• Evaluation Methods and Measures for Causal Learning Algorithms [33.07234268724662]
  我々は2つの基本的な因果推論タスクと因果認識機械学習タスクに焦点を当てる。 この調査は、公開可能なベンチマークの開発と、観察データによる因果学習評価のためのコンセンサス標準の策定の緊急性に先んじることを目指している。
  論文  参考訳（メタデータ） (2022-02-07T00:24:34Z)
• AR-LSAT: Investigating Analytical Reasoning of Text [57.1542673852013]
  テキストの分析的推論の課題を研究し、1991年から2016年までのロースクール入学試験からの質問からなる新しいデータセットを紹介します。 我々は,この課題をうまくこなすために必要な知識理解と推論能力を分析する。
  論文  参考訳（メタデータ） (2021-04-14T02:53:32Z)
• CausalWorld: A Robotic Manipulation Benchmark for Causal Structure and Transfer Learning [138.40338621974954]
  CausalWorldは、ロボット操作環境における因果構造と伝達学習のベンチマークである。 タスクは、ブロックのセットから3D形状を構築することで構成される。
  論文  参考訳（メタデータ） (2020-10-08T23:01:13Z)
• Federated Edge Learning : Design Issues and Challenges [1.916348196696894]
  Federated Learning(FL)は分散機械学習技術であり、各デバイスはそのローカルトレーニングデータに基づいて勾配を独立に計算することで学習モデルに寄与する。 FLをネットワークエッジに実装することは、システムとデータの不均一性とリソースの制約のために難しい。 本稿では、今後の研究方向性の指針として、データ認識スケジューリングのための一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-31T19:56:36Z)

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。