論文の概要: ML-Based Teaching Systems: A Conceptual Framework
- arxiv url: http://arxiv.org/abs/2305.07681v1
- Date: Fri, 12 May 2023 09:55:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 20:14:54.759982
- Title: ML-Based Teaching Systems: A Conceptual Framework
- Title(参考訳): MLに基づく授業システム:概念的枠組み
- Authors: Philipp Spitzer, Niklas K\"uhl, Daniel Heinz, Gerhard Satzger
- Abstract要約: 組織的文脈における知識伝達を促進する機械学習(ML)モデルの可能性について検討する。
MLに基づく教育システムをよりよく理解し、設計するために、重要な概念、テーマ、次元について検討する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: As the shortage of skilled workers continues to be a pressing issue,
exacerbated by demographic change, it is becoming a critical challenge for
organizations to preserve the knowledge of retiring experts and to pass it on
to novices. While this knowledge transfer has traditionally taken place through
personal interaction, it lacks scalability and requires significant resources
and time. IT-based teaching systems have addressed this scalability issue, but
their development is still tedious and time-consuming. In this work, we
investigate the potential of machine learning (ML) models to facilitate
knowledge transfer in an organizational context, leading to more cost-effective
IT-based teaching systems. Through a systematic literature review, we examine
key concepts, themes, and dimensions to better understand and design ML-based
teaching systems. To do so, we capture and consolidate the capabilities of ML
models in IT-based teaching systems, inductively analyze relevant concepts in
this context, and determine their interrelationships. We present our findings
in the form of a review of the key concepts, themes, and dimensions to
understand and inform on ML-based teaching systems. Building on these results,
our work contributes to research on computer-supported cooperative work by
conceptualizing how ML-based teaching systems can preserve expert knowledge and
facilitate its transfer from SMEs to human novices. In this way, we shed light
on this emerging subfield of human-computer interaction and serve to build an
interdisciplinary research agenda.
- Abstract(参考訳): 熟練労働者の不足は、人口変動によって悪化し続けており、退職した専門家の知識を維持し、初心者に伝えることは、組織にとって重要な課題となっている。
この知識伝達は従来、個人的なインタラクションを通じて行われてきたが、スケーラビリティに欠け、かなりのリソースと時間を要する。
ITベースの教育システムは、このスケーラビリティの問題に対処してきたが、その開発はいまだに面倒で時間を要する。
本研究では,組織的文脈における知識伝達を促進する機械学習(ML)モデルの可能性について検討し,より費用対効果の高いITベースの教育システムを実現する。
体系的な文献レビューを通じて、MLベースの教育システムをよりよく理解し、設計するための重要な概念、テーマ、次元について検討する。
そのため、我々は、ITベースの教育システムにおけるMLモデルの能力を捉え、統合し、この文脈における関連する概念を誘導的に分析し、それらの相互関係を決定する。
本研究は,MLに基づく教示システムを理解するための重要な概念,テーマ,次元のレビューという形で,本研究の成果を提示する。
これらの結果に基づいて,MLベースの教育システムが専門家の知識をいかに保存し,中小企業から初心者への移転を促進するかを概念化し,コンピュータ支援協調研究に寄与する。
このように、我々は人間とコンピュータの相互作用の新たなサブフィールドに光を当て、学際的な研究課題を構築するのに役立つ。
関連論文リスト
- Informed Meta-Learning [65.268245109828]
メタラーニングとインシデントMLは、事前知識をMLパイプラインに組み込むための2つのアプローチとして際立っている。
本稿では,タスク間の知識共有の相補性を求める,メタラーニングのための新しいハイブリッドパラダイムを提案する。
観測騒音に対するデータ効率とロバスト性を改善する上で,情報メタラーニングの潜在的な利点を実証する。
論文 参考訳(メタデータ) (2024-02-25T15:08:37Z) - Rethinking Machine Unlearning for Large Language Models [89.99791628154274]
大規模言語モデル(LLM)の領域における機械学習の研究
このイニシアチブは、望ましくないデータの影響(機密情報や違法情報など)と関連するモデル機能を排除することを目的としている。
論文 参考訳(メタデータ) (2024-02-13T20:51:58Z) - On the Interaction between Software Engineers and Data Scientists when
building Machine Learning-Enabled Systems [1.2184324428571227]
機械学習(ML)コンポーネントは、組織のコアシステムにますます統合されています。
重要な課題の1つは、緊密に連携する必要がある異なるバックグラウンドを持つアクター間の効果的な相互作用である。
本稿では,MLプロジェクトにおけるこれらの役割間の相互作用と協調のダイナミクスを理解するための探索ケーススタディを提案する。
論文 参考訳(メタデータ) (2024-02-08T00:27:56Z) - A Comprehensive Study of Knowledge Editing for Large Language Models [83.73538305784763]
大規模言語モデル(LLM)は、人間のコミュニケーションを忠実に反映したテキストの理解と生成の素晴らしい能力を示している。
本稿では,知識編集の問題を定義し,最先端アプローチの包括的レビューを行う。
我々は,代表的知識編集アプローチの総合的評価のための新しいベンチマークであるKnowEditを紹介した。
論文 参考訳(メタデータ) (2024-01-02T16:54:58Z) - Toward enriched Cognitive Learning with XAI [44.99833362998488]
本稿では,人工知能(AI)ツールによる認知学習のためのインテリジェントシステム(CL-XAI)を提案する。
CL-XAIの使用は、学習者が問題解決スキルを高めるために問題に取り組むゲームインスパイアされた仮想ユースケースで説明される。
論文 参考訳(メタデータ) (2023-12-19T16:13:47Z) - Online Continual Knowledge Learning for Language Models [3.654507524092343]
大規模言語モデル(LLM)は、幅広い世界の知識のリポジトリとして機能し、質問応答やファクトチェックなどのタスクを実行できる。
オンライン連続知識学習(OCKL)は,実時間制約下での世界知識の動的性質を管理することを目的としている。
論文 参考訳(メタデータ) (2023-11-16T07:31:03Z) - Human-AI Interaction Design in Machine Teaching [1.5791732557395555]
本論文は,3つの構成要素(viz.,教示インターフェース,機械学習者,知識ベース)を備えたMTフレームワークの提案と,教示インターフェースの実現に関わる人間とAIのインタラクション設計に重点を置いている。
MLタスクから始まるMTシステムの開発に対処する必要がある設計上の決定について概説する。
論文 参考訳(メタデータ) (2022-06-10T15:20:05Z) - Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。
また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
論文 参考訳(メタデータ) (2021-08-17T17:44:38Z) - Machine learning and deep learning [0.0]
機械学習は、問題固有のトレーニングデータから学習するシステムの能力を記述する。
ディープラーニングは、人工ニューラルネットワークに基づく機械学習の概念である。
論文 参考訳(メタデータ) (2021-04-12T09:54:12Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳(メタデータ) (2021-01-11T15:54:48Z) - Distributed and Democratized Learning: Philosophy and Research
Challenges [80.39805582015133]
民主化学習(Dem-AI)という新しいデザイン哲学を提案する。
ヒトの社会的グループに触発され、提案されたDem-AIシステムの学習エージェントの専門グループは階層構造で自己組織化され、より効率的に学習タスクを遂行する。
本稿では,様々な学際分野に触発された未来のDem-AIシステムを実現するためのガイドラインとして,参照設計を提案する。
論文 参考訳(メタデータ) (2020-03-18T08:45:10Z)
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。