論文の概要: Reinforcement Learning Tutor Better Supported Lower Performers in a Math
Task
- arxiv url: http://arxiv.org/abs/2304.04933v2
- Date: Thu, 13 Apr 2023 19:33:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-17 15:46:50.238534
- Title: Reinforcement Learning Tutor Better Supported Lower Performers in a Math
Task
- Title(参考訳): 強化学習指導員が算数課題で低学力者を支援する
- Authors: Sherry Ruan, Allen Nie, William Steenbergen, Jiayu He, JQ Zhang, Meng
Guo, Yao Liu, Kyle Dang Nguyen, Catherine Y Wang, Rui Ying, James A Landay,
Emma Brunskill
- Abstract要約: 強化学習は、開発コストを削減し、インテリジェントな学習ソフトウェアの有効性を向上させるための重要なツールとなり得る。
本研究では, 深層強化学習を用いて, 音量の概念を学習する学生に適応的な教育支援を行うことができることを示す。
- 参考スコア(独自算出の注目度): 32.6507926764587
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Resource limitations make it hard to provide all students with one of the
most effective educational interventions: personalized instruction.
Reinforcement learning could be a key tool to reduce the development cost and
improve the effectiveness of intelligent tutoring software that aims to provide
the right support, at the right time, to a student. Here we illustrate that
deep reinforcement learning can be used to provide adaptive pedagogical support
to students learning about the concept of volume in a narrative storyline
software. Using explainable artificial intelligence tools, we extracted
interpretable insights about the pedagogical policy learned and demonstrated
that the resulting policy had similar performance in a different student
population. Most importantly, in both studies, the reinforcement-learning
narrative system had the largest benefit for those students with the lowest
initial pretest scores, suggesting the opportunity for AI to adapt and provide
support for those most in need.
- Abstract(参考訳): リソース制限は、すべての学生に最も効果的な教育介入の1つ、パーソナライズドインストラクションを提供することを困難にしている。
強化学習は、学生に適切なサポートを提供することを目的として、開発コストを削減し、インテリジェントな学習ソフトウェアの有効性を向上させるための重要なツールとなり得る。
本稿では,物語ストーリーラインソフトウェアにおけるボリュームの概念を学習する学生に適応的な教育支援を提供するために,深層強化学習が利用できることを示す。
説明可能な人工知能ツールを用いて、学習した教育政策に関する解釈可能な洞察を抽出し、その結果、異なる学生群で同様の性能を示した。
最も重要なことは、両方の研究において、強化学習の物語システムは、最下位の事前試験スコアを持つ学生にとって最大の利益をもたらし、AIが最も必要な学生に適応し支援する機会を示唆したことである。
関連論文リスト
- Evaluating and Optimizing Educational Content with Large Language Model
Judgments [58.82156185222133]
言語モデル(LM)を教育専門家として活用し,学習結果に対する様々な指導の影響を評価する。
本稿では,一方のLMが他方のLMの判断を報酬関数として利用して命令材料を生成する命令最適化手法を提案する。
ヒトの教師によるこれらのLM生成ワークシートの評価は、LM判定と人間の教師の嗜好との間に有意な整合性を示す。
論文 参考訳(メタデータ) (2024-03-05T09:09:15Z) - YODA: Teacher-Student Progressive Learning for Language Models [82.0172215948963]
本稿では,教師が指導するプログレッシブ・ラーニング・フレームワークであるYodaを紹介する。
モデルファインチューニングの有効性を向上させるために,教師の教育過程をエミュレートする。
実験の結果, YODAのデータによるLLaMA2のトレーニングにより, SFTは大幅に向上した。
論文 参考訳(メタデータ) (2024-01-28T14:32:15Z) - Revealing Networks: Understanding Effective Teacher Practices in
AI-Supported Classrooms using Transmodal Ordered Network Analysis [0.9187505256430948]
本研究は,AI教師と連携した数学教室において,システム内学習の伝統的な指標に関連する効果的な教員の実践を理解するために,トランスモーダル順序ネットワーク分析を用いた。
教師の実践を学生の学習率で比較すると,低学率の生徒はモニタリング後,より有意な使用感を示した。
学習率の低い生徒は、高学率の学生と同様の学習行動を示し、教師の正しい試みを繰り返した。
論文 参考訳(メタデータ) (2023-12-17T21:50:02Z) - Understanding Teacher Perspectives and Experiences after Deployment of
AI Literacy Curriculum in Middle-school Classrooms [12.35885897302579]
我々は,MIT RAICAカリキュラムのモジュール実装にともなう7人の教師の経験を考察した。
我々の分析は、AIモジュールが、この分野における教師の知識を拡大したことを示唆している。
私たちの教師は、技術資源をナビゲートする際に、より良い外部支援の必要性を主張しました。
論文 参考訳(メタデータ) (2023-12-08T05:36:16Z) - Assertion Enhanced Few-Shot Learning: Instructive Technique for Large
Language Models to Generate Educational Explanations [0.0]
人間の教育者は、生徒から教育的な説明を求め、予測する本質的な能力を持っている。
我々は,大規模言語モデルの少数ショット学習機能を用いて,インテリジェント・チューリング・システムを構築することを目的としている。
論文 参考訳(メタデータ) (2023-12-05T20:41:34Z) - A Machine Learning system to monitor student progress in educational
institutes [0.0]
本稿では、機械学習技術を用いて、クレジットスコアと呼ばれる分類器を生成するデータ駆動手法を提案する。
信用スコアを進捗指標として使うという提案は、学習管理システムで使うのに適している。
論文 参考訳(メタデータ) (2022-11-02T08:24:08Z) - Iterative Teacher-Aware Learning [136.05341445369265]
人間の教育において、教師と学生はコミュニケーション効率を最大化するために適応的に交流することができる。
本稿では,教師の協調意図を可能性関数に組み込むことができる,勾配最適化に基づく教師認識学習者を提案する。
論文 参考訳(メタデータ) (2021-10-01T00:27:47Z) - Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。
近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
論文 参考訳(メタデータ) (2021-01-19T12:23:32Z) - Dual Policy Distillation [58.43610940026261]
教員政策を学生政策に転換する政策蒸留は、深層強化学習の課題において大きな成功を収めた。
本研究では,2人の学習者が同じ環境下で活動し,環境の異なる視点を探索する,学生学生による二重政策蒸留(DPD)を導入する。
この二重学習フレームワークを開発する上で重要な課題は、同時代の学習に基づく強化学習アルゴリズムにおいて、ピア学習者から有益な知識を特定することである。
論文 参考訳(メタデータ) (2020-06-07T06:49:47Z) - Choose Your Own Question: Encouraging Self-Personalization in Learning
Path Construction [1.6505359493498744]
本稿では,対話型教育システム(IES)の一般クラスを対象としたTinderライクなユーザインタフェースであるRocketを紹介する。
Rocketは、AI(Artificial Intelligence)が抽出した学習教材の特徴を視覚的に表現する。
Rocketは、生徒の能力やニーズに関する知識を活用することで、学習経験の自己個人化を可能にする。
論文 参考訳(メタデータ) (2020-05-08T01:53:04Z)
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。
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。