Fugu-MT 論文翻訳(概要): Let's Learn from Children: Scaffolding to Enable Search as Learning in the Educational Environment

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

Can We Delegate Learning to Automation?: A Comparative Study of LLM Chatbots, Search Engines, and Books [0.6776894728701932]
教科書やウェブ検索といった従来のリソースからの移行は、教育者の間で懸念を呼び起こす。本稿では,教育者の立場から3つの主な懸念点を体系的に明らかにする。その結果,LLMは受動的学習を促進することなく,鍵概念の包括的理解を支援するが,知識保持効果は限られていた。
論文参考訳（メタデータ） (2024-10-02T10:16:54Z)
Exploring Engagement and Perceived Learning Outcomes in an Immersive Flipped Learning Context [0.195804735329484]
本研究の目的は,学生のオンラインエンゲージメントと学習成果に対する没入型フリップ学習アプローチのメリットと課題を検討することである。この研究は、高レベルの学生エンゲージメントと学習結果の認知を明らかにしたが、改善が必要な領域も明らかにした。この研究の成果は、有意義で効果的な遠隔学習体験をデザインしようとする教育者にとって貴重な情報源となる可能性がある。
論文参考訳（メタデータ） (2024-09-19T11:38:48Z)
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)
From Psychological Curiosity to Artificial Curiosity: Curiosity-Driven Learning in Artificial Intelligence Tasks [56.20123080771364]
心理学的好奇心は、探索と情報取得を通じて学習を強化するために、人間の知性において重要な役割を果たす。人工知能(AI)コミュニティでは、人工好奇心は効率的な学習に自然な本質的な動機を与える。 CDLはますます人気を博し、エージェントは新たな知識を学習するために自己動機付けされている。
論文参考訳（メタデータ） (2022-01-20T17:07:03Z)
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)
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。