論文の概要: Let's Learn from Children: Scaffolding to Enable Search as Learning in
the Educational Environment
- arxiv url: http://arxiv.org/abs/2209.02338v1
- Date: Tue, 6 Sep 2022 09:54:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 10:57:55.565887
- Title: Let's Learn from Children: Scaffolding to Enable Search as Learning in
the Educational Environment
- Title(参考訳): 子どもから学ぶ: 教育環境における学習としての探索を可能にする足場
- Authors: Monica Landoni, Maria Soledad Pera, Emiliana Murgia, Theo Huibers
- Abstract要約: 我々は、検索を子どもを主な利害関係者とする学習と見なす必要性を論じている。
この研究の主な貢献は、小学校の教室に焦点を当てたオープンな課題のリストである。
- 参考スコア(独自算出の注目度): 3.7448613209842967
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this manuscript, we argue for the need to further look at search as
learning (SAL) with children as the primary stakeholders. Inspired by how
children learn and considering the classroom (regardless of the teaching
modality) as a natural educational ecosystem, we posit that scaffolding is the
tie that can simultaneously allow for learning to search while searching for
learning. The main contribution of this work is a list of open challenges
focused on the primary school classroom for the IR community to consider when
setting up to explore and make progress on SAL research with and for children
and beyond.
- Abstract(参考訳): 本論文では,子どもを主ステークホルダとする学習としての探索(SAL)の必要性を論じる。
子どもたちの学習方法や教室(教養モダリティとは無関係に)を自然の教育のエコシステムとして捉えることから着想を得て,足場づくりは,学習を検索しながら同時に探せるようなタイであると仮定した。
この研究の主な貢献は、irコミュニティが子供や他の人々と共にサル研究を探求し進歩させるために準備するときに考慮すべき、小学校の教室に焦点を当てたオープンチャレンジのリストである。
関連論文リスト
- Continual Learning: Applications and the Road Forward [111.29463576484461]
継続的学習は、機械学習モデルが、過去に学んだことを忘れずに知識を蓄積することで、新しいデータを継続的に学習できるようにすることを目的としている。
我々は3つの主要な機械学習カンファレンスで発行された最近の連続的な学習論文を調査してステージを設定した。
機械学習における5つのオープンな問題について議論し、継続的学習が必然的にそのソリューションの一部であることを示す。
論文 参考訳(メタデータ) (2023-11-20T16:40:29Z) - General Intelligence Requires Rethinking Exploration [24.980249597326985]
我々は,教師付き学習を含むすべての学習システムにおいて,探索が不可欠であると主張している。
汎用的な探索は、オープンエンドの学習プロセスを維持するために必要な目的である。
論文 参考訳(メタデータ) (2022-11-15T00:46:15Z) - Autonomous Reinforcement Learning: Formalism and Benchmarking [106.25788536376007]
人間や動物が行うような現実世界の具体的学習は、連続的で非エポゾディックな世界にある。
RLの一般的なベンチマークタスクはエピソジックであり、試行錯誤によってエージェントに複数の試行を行う環境がリセットされる。
この相違は、擬似環境向けに開発されたRLアルゴリズムを現実世界のプラットフォーム上で実行しようとする場合、大きな課題となる。
論文 参考訳(メタデータ) (2021-12-17T16:28:06Z) - Searching to Learn with Instructional Scaffolding [7.159235937301605]
本稿では,3つの戦略を用いた探索システムへの足場導入について検討する。
AQE_SCは、関連するサブトピックによるユーザクエリの自動拡張、CURATED_SCは、検索エンジンの結果ページに、手動でキュレートされた関連するサブトピックの静的リストを表示する。
FEEDBACK_SC – CURATED_SCビジュアライゼーションの上に、ユーザのトピック空間探索に関するリアルタイムフィードバックを投影する。
論文 参考訳(メタデータ) (2021-11-29T15:15:02Z) - A Network Science Perspective to Personalized Learning [0.0]
コンテンツ選択とマルチモーダルなエンゲージメントを提供する学習プラットフォームを用いて,学習目標の達成方法を検討する。
このフレームワークは、知識のネットワークによって支持される学習者のエンゲージメントとコンテンツ選択を提供することによって、経験を教えるのではなく、学習経験に注意を向ける。
論文 参考訳(メタデータ) (2021-11-02T01:50:01Z) - Social Engagement versus Learning Engagement -- An Exploratory Study of
FutureLearn Learners [61.58283466715385]
大規模なオープンオンラインコース (MOOCs) は増加傾向にあるが、エンロリーのごく一部しかMOOCsを完了していない。
この研究は、MOOCにおける研究の進展とともに、学習者がピアとどのように相互作用するかに特に関係している。
この研究は、社会的構成主義的アプローチを採用し、協調学習を促進するFutureLearnプラットフォーム上で行われた。
論文 参考訳(メタデータ) (2020-08-11T16:09:10Z) - Interaction-limited Inverse Reinforcement Learning [50.201765937436654]
本稿では,教師の視点をカバーしたカリキュラム逆強化学習(CIRL)と,学習者の視点に着目した自己適用逆強化学習(SPIRL)の2つの訓練戦略を提案する。
シミュレーション実験と実ロボットを用いた実験により,CIRLの無作為教師やSPIRLのバッチ学習者よりも高速な学習が可能であることを示す。
論文 参考訳(メタデータ) (2020-07-01T12:31:52Z) - Learning with AMIGo: Adversarially Motivated Intrinsic Goals [63.680207855344875]
AMIGoは、Adversarially Motivated Intrinsic Goalsを提案するゴール生成教師である。
提案手法は, 提案する目標の自然なカリキュラムを生成し, エージェントが究極的には, 手続き的に生成する課題を解くことができることを示す。
論文 参考訳(メタデータ) (2020-06-22T10:22:08Z) - Curriculum Learning for Reinforcement Learning Domains: A Framework and
Survey [53.73359052511171]
強化学習(Reinforcement Learning, RL)は、エージェントが限られた環境フィードバックしか持たないシーケンシャルな意思決定タスクに対処するための一般的なパラダイムである。
本稿では、RLにおけるカリキュラム学習(CL)の枠組みを提案し、既存のCLメソッドを仮定、能力、目標の観点から調査・分類する。
論文 参考訳(メタデータ) (2020-03-10T20:41:24Z)
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。