論文の概要: ERUDITE: Human-in-the-Loop IoT for an Adaptive Personalized Learning
System
- arxiv url: http://arxiv.org/abs/2303.04292v1
- Date: Tue, 7 Mar 2023 23:54:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-09 15:37:49.470818
- Title: ERUDITE: Human-in-the-Loop IoT for an Adaptive Personalized Learning
System
- Title（参考訳）: ERUDITE: 適応型パーソナライズドラーニングシステムのためのロボットIoT
- Authors: Mojtaba Taherisadr and Mohammad Abdullah Al Faruque and Salma Elmalaki
- Abstract要約: 本稿では,学習環境のためのヒューマン・イン・ザ・ループ型IoTシステムであるERUDITEを提案する。
脳信号を用いて人間の学習状態を推定することにより、ERUDITEは学習環境への適応をパーソナライズする。
- 参考スコア（独自算出の注目度）: 9.274304974815628
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Thanks to the rapid growth in wearable technologies and recent advancement in
machine learning and signal processing, monitoring complex human contexts
becomes feasible, paving the way to develop human-in-the-loop IoT systems that
naturally evolve to adapt to the human and environment state autonomously.
Nevertheless, a central challenge in designing many of these IoT systems arises
from the requirement to infer the human mental state, such as intention,
stress, cognition load, or learning ability. While different human contexts can
be inferred from the fusion of different sensor modalities that can correlate
to a particular mental state, the human brain provides a richer sensor modality
that gives us more insights into the required human context. This paper
proposes ERUDITE, a human-in-the-loop IoT system for the learning environment
that exploits recent wearable neurotechnology to decode brain signals. Through
insights from concept learning theory, ERUDITE can infer the human state of
learning and understand when human learning increases or declines. By
quantifying human learning as an input sensory signal, ERUDITE can provide
adequate personalized feedback to humans in a learning environment to enhance
their learning experience. ERUDITE is evaluated across $15$ participants and
showed that by using the brain signals as a sensor modality to infer the human
learning state and providing personalized adaptation to the learning
environment, the participants' learning performance increased on average by
$26\%$. Furthermore, we showed that ERUDITE can be deployed on an edge-based
prototype to evaluate its practicality and scalability.
- Abstract（参考訳）: ウェアラブル技術の急速な成長と、最近の機械学習と信号処理の進歩により、複雑な人間のコンテキストの監視は実現可能となり、人間と環境に自律的に適応するために自然に進化する、ループ内IoTシステムを開発するための道を開いた。
それでも、これらのIoTシステムを設計する上での中心的な課題は、意図、ストレス、認知負荷、学習能力など、人間の精神状態を予測することにある。
異なる人間のコンテキストは、特定の精神状態と相関する様々なセンサーモダリティの融合から推測できるが、人間の脳はよりリッチなセンサーモダリティを提供し、必要な人間のコンテキストに関する洞察を与えてくれる。
本稿では、最近のウェアラブルニューロテクノロジーを活用して脳信号をデコードする、学習環境のためのヒューマン・イン・ザ・ループIoTシステムであるERUDITEを提案する。
概念学習理論からの洞察により、ERUDITEは人間の学習状態を推測し、人間の学習が増加するか低下するかを理解することができる。
入力感覚信号として人間の学習を定量化することにより、学習環境において人間に適切なパーソナライズされたフィードバックを提供し、学習経験を向上させることができる。
ERUDITEは15ドルの参加者を対象に評価し,人間の学習状態を推定し,学習環境に適応するためのセンサモダリティとして脳信号を用いることで,参加者の学習性能を平均26%向上させることを示した。
さらに,ERUDITEをエッジベースのプロトタイプにデプロイして,実用性やスケーラビリティを評価する方法を示した。
関連論文リスト
- Bridging Neuroscience and AI: Environmental Enrichment as a Model for Forward Knowledge Transfer [0.0]
本研究では, 環境富化(EE)が, 転送研究の生物学的モデルとして利用できることを示唆する。
EEは、認知、社会的、運動、感覚刺激を高める動物研究を指す。
人工ニューラルネットワーク(ANN)が、豊かな経験の後の神経変化を予測するためにどのように使用できるかについて議論する。
論文 参考訳（メタデータ） (2024-05-12T14:33:50Z) - Adaptive User-centered Neuro-symbolic Learning for Multimodal
Interaction with Autonomous Systems [0.0]
機械学習の最近の進歩により、自律システムは物体を知覚し、理解することができるようになった。
人間が提供する明示的な教えと、人間の行動を観察して得られる暗黙的な教えの両方を考慮することが不可欠である。
インプットのタイプや,ループ内の人間とインクリメンタルな学習技術についても検討する。
論文 参考訳（メタデータ） (2023-09-11T19:35:12Z) - World Models and Predictive Coding for Cognitive and Developmental
Robotics: Frontiers and Challenges [51.92834011423463]
我々は世界モデルと予測符号化の2つの概念に焦点を当てる。
神経科学において、予測符号化は、脳がその入力を継続的に予測し、その環境における自身のダイナミクスと制御行動のモデル化に適応するように提案する。
論文 参考訳（メタデータ） (2023-01-14T06:38:14Z) - NeuroCERIL: Robotic Imitation Learning via Hierarchical Cause-Effect
Reasoning in Programmable Attractor Neural Networks [2.0646127669654826]
本稿では,脳にインスパイアされた神経認知アーキテクチャであるNeuroCERILについて紹介する。
シミュレーションされたロボット模倣学習領域において,NeuroCERILは様々な手続き的スキルを習得できることを示す。
我々は、NeuroCERILは人間のような模倣学習の実行可能な神経モデルであると結論付けた。
論文 参考訳（メタデータ） (2022-11-11T19:56:11Z) - Data-driven emotional body language generation for social robotics [58.88028813371423]
社会ロボティクスでは、人間型ロボットに感情の身体的表現を生成する能力を与えることで、人間とロボットの相互作用とコラボレーションを改善することができる。
我々は、手作業で設計されたいくつかの身体表現から学習する深層学習データ駆動フレームワークを実装した。
評価実験の結果, 生成した表現の人間同型とアニマシーは手作りの表現と異なる認識が得られなかった。
論文 参考訳（メタデータ） (2022-05-02T09:21:39Z) - Adaptive Multimodal and Multisensory Empathic Technologies for Enhanced
Human Communication [0.40611352512781856]
開発は、最初からデジタルデザインプロセスに人間の知覚的感覚を含む、原則化されたフレームワークを考慮しなければならない、と私は信じています。
機能を提案し、プロセスで対処する必要があるいくつかの課題を特定し、設計と実装の一部であるべきと思われる今後の研究の方向性を提案します。
論文 参考訳（メタデータ） (2021-10-24T16:50:37Z) - Backprop-Free Reinforcement Learning with Active Neural Generative
Coding [84.11376568625353]
動的環境におけるエラー(バックプロップ)のバックプロパゲーションを伴わない行動駆動型生成モデルの学習のための計算フレームワークを提案する。
我々は、まばらな報酬でも機能するインテリジェントエージェントを開発し、推論として計画の認知理論からインスピレーションを得ている。
我々のエージェントの堅牢な性能は、神経推論と学習のためのバックプロップフリーアプローチがゴール指向の行動を促進するという有望な証拠を提供する。
論文 参考訳（メタデータ） (2021-07-10T19:02:27Z) - FaiR-IoT: Fairness-aware Human-in-the-Loop Reinforcement Learning for
Harnessing Human Variability in Personalized IoT [0.0]
FaiR-IoTは、適応性と公平性を意識したヒューマンインザループIoTアプリケーションのための強化学習ベースのフレームワークです。
提案手法は, (i) 人型運転支援システム, (ii) 人型運転支援システムの2つの応用について検証した。
これらの2つのアプリケーションで得られた結果は、FaiR-IoTの一般性とパーソナライズされたエクスペリエンスを提供する能力を評価します。
論文 参考訳（メタデータ） (2021-03-30T02:30:25Z) - Cognitive architecture aided by working-memory for self-supervised
multi-modal humans recognition [54.749127627191655]
人間パートナーを認識する能力は、パーソナライズされた長期的な人間とロボットの相互作用を構築するための重要な社会的スキルです。
ディープラーニングネットワークは最先端の結果を達成し,そのような課題に対処するための適切なツールであることが実証された。
1つの解決策は、ロボットに自己スーパービジョンで直接の感覚データから学習させることである。
論文 参考訳（メタデータ） (2021-03-16T13:50:24Z) - Learning to Complement Humans [67.38348247794949]
オープンワールドにおけるAIに対するビジョンの高まりは、知覚、診断、推論タスクのために人間を補完できるシステムの開発に焦点を当てている。
我々は,人間-機械チームの複合的なパフォーマンスを最適化するために,エンド・ツー・エンドの学習戦略をどのように活用できるかを実証する。
論文 参考訳（メタデータ） (2020-05-01T20:00:23Z) - A Developmental Neuro-Robotics Approach for Boosting the Recognition of
Handwritten Digits [91.3755431537592]
近年のエビデンスでは、子どもの体現戦略をシミュレーションすることで、マシンインテリジェンスも改善できることが示されている。
本稿では,発達神経ロボティクスの文脈における畳み込みニューラルネットワークモデルへの具体的戦略の適用について検討する。
論文 参考訳（メタデータ） (2020-03-23T14:55:00Z)
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。