論文の概要: Adaptive Learning Path Navigation Based on Knowledge Tracing and
Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2305.04475v2
- Date: Wed, 21 Jun 2023 11:31:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 17:14:36.835176
- Title: Adaptive Learning Path Navigation Based on Knowledge Tracing and
Reinforcement Learning
- Title(参考訳): 知識追跡と強化学習に基づく適応学習経路ナビゲーション
- Authors: Jyun-Yi Chen, Saeed Saeedvand and I-Wei Lai
- Abstract要約: 本稿では,適応学習経路ナビゲーション(ALPN)システムについて紹介する。
ALPNシステムは、学生のニーズに合わせて学習経路を調整し、学習効率を大幅に向上させる。
実験結果から、ALPNシステムは、学習結果の最大化において、従来の研究よりも8.2%優れていたことが示されている。
- 参考スコア(独自算出の注目度): 2.0263791972068628
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces the Adaptive Learning Path Navigation (ALPN) system, a
novel approach for enhancing E-learning platforms by providing highly adaptive
learning paths for students. The ALPN system integrates the Attentive Knowledge
Tracing (AKT) model, which assesses students' knowledge states, with the
proposed Entropy-enhanced Proximal Policy Optimization (EPPO) algorithm. This
new algorithm optimizes the recommendation of learning materials. By
harmonizing these models, the ALPN system tailors the learning path to
students' needs, significantly increasing learning effectiveness. Experimental
results demonstrate that the ALPN system outperforms previous research by 8.2%
in maximizing learning outcomes and provides a 10.5% higher diversity in
generating learning paths. The proposed system marks a significant advancement
in adaptive E-learning, potentially transforming the educational landscape in
the digital era.
- Abstract(参考訳): 本稿では,学生に高度に適応した学習経路を提供することにより,e-learningプラットフォームを強化する新しいアプローチであるadaptive learning path navigation (alpn)システムを提案する。
ALPNシステムは、学生の知識状態を評価するAKTモデルと、提案したEntropy-enhanced Proximal Policy Optimization (EPPO)アルゴリズムを統合する。
この新しいアルゴリズムは学習教材の推薦を最適化する。
これらのモデルを調和させることで、ALPNシステムは学生のニーズに合わせて学習経路を調整し、学習効率を大幅に向上させる。
実験の結果、ALPNシステムは学習結果の最大化において8.2%の先行研究を上回り、学習経路の生成において10.5%の多様性を提供することが示された。
提案システムは適応型E-ラーニングにおいて大きな進歩を示し,デジタル時代の教育環境を変革させる可能性がある。
関連論文リスト
- BAL: Balancing Diversity and Novelty for Active Learning [53.289700543331925]
多様な不確実なデータのバランスをとるために適応的なサブプールを構築する新しいフレームワークであるBalancing Active Learning (BAL)を導入する。
我々のアプローチは、広く認識されているベンチマークにおいて、確立されたすべてのアクティブな学習方法より1.20%優れています。
論文 参考訳(メタデータ) (2023-12-26T08:14:46Z) - PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。
一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。
一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文 参考訳(メタデータ) (2023-09-13T17:55:11Z) - Learning Objective-Specific Active Learning Strategies with Attentive
Neural Processes [72.75421975804132]
学び アクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。
能動学習問題の対称性と独立性を利用した新しい分類法を提案する。
私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
論文 参考訳(メタデータ) (2023-09-11T14:16:37Z) - Towards Scalable Adaptive Learning with Graph Neural Networks and
Reinforcement Learning [0.0]
学習経路のパーソナライズに関する問題に対して,フレキシブルでスケーラブルなアプローチを導入する。
我々のモデルはグラフニューラルネットワークに基づく逐次レコメンデーションシステムである。
以上の結果から,小規模データ体制における適切なレコメンデーションを学習できることが示唆された。
論文 参考訳(メタデータ) (2023-05-10T18:16:04Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳(メタデータ) (2022-10-02T05:03:38Z) - Application of Deep Self-Attention in Knowledge Tracing [2.5852720579998336]
本稿では,中国の多くの大学の学生が使用しているオンラインアセスメントシステムであるPTAのデータをもとに,Deep Self-Attentive Knowledge Tracing (DSAKT)を提案する。
PTAのデータの実験では、DSAKTは知識追跡において他のモデルよりも2.1%向上している。
論文 参考訳(メタデータ) (2021-05-17T14:45:38Z) - Meta-learning the Learning Trends Shared Across Tasks [123.10294801296926]
グラディエントベースのメタ学習アルゴリズムは、限られたデータで新しいタスクに素早く適応する。
既存のメタ学習アプローチは、適応中の現在のタスク情報にのみ依存する。
パターン認識型メタラーニング手法を提案する。
論文 参考訳(メタデータ) (2020-10-19T08:06:47Z) - Fast Few-Shot Classification by Few-Iteration Meta-Learning [173.32497326674775]
数ショット分類のための高速な最適化に基づくメタラーニング手法を提案する。
我々の戦略はメタ学習において学習すべき基礎学習者の目的の重要な側面を可能にする。
我々は、我々のアプローチの速度と効果を実証し、総合的な実験分析を行う。
論文 参考訳(メタデータ) (2020-10-01T15:59:31Z) - AutoLR: An Evolutionary Approach to Learning Rate Policies [2.3577368017815705]
この研究は、特定のニューラルネットワークアーキテクチャのためのラーニングレートスケジューリングを進化させるフレームワークであるAutoLRを提示する。
その結果, 確立された基準線よりも, 特定の政策を用いて実施した訓練が効率的であることが示唆された。
論文 参考訳(メタデータ) (2020-07-08T16:03:44Z) - META-Learning Eligibility Traces for More Sample Efficient Temporal
Difference Learning [2.0559497209595823]
そこで本稿では,状態依存的な方法で,可視性トレースパラメータを調整するためのメタラーニング手法を提案する。
この適応は、更新対象の分布情報をオンラインで学習する補助学習者の助けを借りて達成される。
提案手法は,いくつかの前提条件下では,全体の目標誤差を最小限に抑えて,更新対象の全体的な品質を改善する。
論文 参考訳(メタデータ) (2020-06-16T03:41:07Z) - Deep Reinforcement Learning for Adaptive Learning Systems [4.8685842576962095]
学習者の潜在特性に基づいて,個別化学習計画の探索方法の問題点を定式化する。
最適な学習ポリシーを効果的に見つけることができるモデルフリーの深層強化学習アルゴリズムを適用した。
また,ニューラルネットワークを用いて学習者の学習過程をエミュレートする遷移モデル推定器を開発した。
論文 参考訳(メタデータ) (2020-04-17T18:04:03Z)
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。