論文の概要: CLASS Meet SPOCK: An Education Tutoring Chatbot based on Learning Science Principles

• arxiv url: http://arxiv.org/abs/2305.13272v1
• Date: Mon, 22 May 2023 17:35:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 13:48:17.346208
• Title: CLASS Meet SPOCK: An Education Tutoring Chatbot based on Learning Science Principles
• Title（参考訳）: CLASS Meet SPOCK: 学習科学原理に基づくチャットボットの学習指導
• Authors: Shashank Sonkar, Lucy Liu, Debshila Basu Mallick, Richard G. Baraniuk
• Abstract要約: 高性能知能学習システム(ITS)を開発するためのCLASS(Conversational Learning with Analytical Step-by-Step Strategies)という設計フレームワークを提案する。 CLASSフレームワークは、2つの重要な能力でITSを強化することを目的としている。 本稿では,CLASSフレームワークを用いて,大学レベルの入門生物学内容に着目した概念実証(SPOCK)を提案する。
• 参考スコア（独自算出の注目度）: 21.045808523338486
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a design framework called Conversational Learning with Analytical Step-by-Step Strategies (CLASS) for developing high-performance Intelligent Tutoring Systems (ITS). The CLASS framework aims to empower ITS with with two critical capabilities: imparting tutor-like step-by-step guidance and enabling tutor-like conversations in natural language to effectively engage learners. To empower ITS with the aforementioned capabilities, the CLASS framework employs two carefully curated synthetic datasets. The first scaffolding dataset encompasses a variety of elements, including problems, their corresponding subproblems, hints, incorrect solutions, and tailored feedback. This dataset provides ITS with essential problem-solving strategies necessary for guiding students through each step of the conversation. The second conversational dataset contains simulated student-tutor conversations that involve the application of problem-solving strategies learned from the first dataset. In the second dataset, the tutoring system adheres to a pre-defined response template, which helps to maintain consistency and structure in ITS's responses during its interactions. This structured methodology facilitates seamless integration of user feedback and yields valuable insights into ITS's internal decision-making process, allowing for continuous refinement and improvement of the system. We also present a proof-of-concept ITS, referred to as SPOCK, trained using the CLASS framework with a focus on college level introductory biology content. A carefully constructed protocol was developed for SPOCK's preliminary evaluation, examining aspects such as the factual accuracy and relevance of its responses. Experts in the field of biology offered favorable remarks, particularly highlighting SPOCK's capability to break down questions into manageable subproblems and provide step-by-step guidance to students.
• Abstract（参考訳）: 本稿では,CLASS(Conversational Learning with Analytical Step-by-Step Strategies)と呼ばれる設計フレームワークについて述べる。 このクラスフレームワークは、チューターのようなステップ・バイ・ステップのガイダンスを与えることと、自然言語におけるチューターのような会話を学習者と効果的に結びつけることである。 上記の能力でITSを強化するために、CLASSフレームワークは2つの慎重にキュレートされた合成データセットを使用している。 最初のスキャフォールディングデータセットは、問題、対応する部分問題、ヒント、間違った解決策、調整されたフィードバックを含む、さまざまな要素を含んでいる。 このデータセットは、会話の各ステップを通じて学生を導くために必要な基本的な問題解決戦略を提供する。 第2の会話データセットには、第1のデータセットから学んだ問題解決戦略の適用を含むシミュレーションされた学生と教師の会話が含まれている。 第2のデータセットでは、チュータシステムは事前定義されたレスポンステンプレートに準拠しており、インタラクション中の応答の一貫性と構造を維持するのに役立つ。 この構造化された手法は、ユーザフィードバックのシームレスな統合を促進し、ITSの内部決定プロセスに関する貴重な洞察を与え、システムの継続的な洗練と改善を可能にします。 また,大学レベルの導入生物学コンテンツに着目したクラスフレームワークを用いて,speckと呼ばれる概念実証法を提案する。 SPOCK の事前評価のためのプロトコルを慎重に構築し,その応答の事実的正確性や関連性について検討した。 生物学の分野の専門家は、特にSPOCKが、質問を管理可能なサブプロブレムに分解し、学生にステップバイステップのガイダンスを提供する能力を強調した。

関連論文リスト

• SINKT: A Structure-Aware Inductive Knowledge Tracing Model with Large Language Model [64.92472567841105]
  知識追跡(KT)は、学生が次の質問に正しく答えるかどうかを判断することを目的としている。 大規模言語モデルを用いた構造認識帰納的知識追跡モデル(SINKT) SINKTは、学生の知識状態と質問表現とを相互作用させることで、対象の質問に対する学生の反応を予測する。
  論文  参考訳（メタデータ） (2024-07-01T12:44:52Z)
• BIPED: Pedagogically Informed Tutoring System for ESL Education [11.209992106075788]
  大規模言語モデル(LLM)は、容易に利用でき、コスト効率の良い会話型知能チューニングシステム(CITS)として機能する大きな可能性を秘めている。 既存のCITSは、単純な概念だけを教えるか、多様な学習戦略に取り組むために必要な教育的な深さを欠くように設計されている。 バイリンガル PEDagogically-informed Tutoring dataset of one-on-one, human-to- Human English tutoring Interaction。
  論文  参考訳（メタデータ） (2024-06-05T17:49:24Z)
• Ruffle&Riley: Insights from Designing and Evaluating a Large Language Model-Based Conversational Tutoring System [21.139850269835858]
  会話学習システム(CTS)は、自然言語に基づく対話を通じて学習体験を提供する。 大規模言語モデル(LLM)の最近の進歩を2つの方法で活用する新しいタイプのCTSについて検討・評価する。 このシステムは、授業テキストから容易に編集可能な教育用スクリプトを自動生成することにより、AI支援コンテンツオーサリングを可能にする。
  論文  参考訳（メタデータ） (2024-04-26T14:57:55Z)
• A Knowledge-Injected Curriculum Pretraining Framework for Question Answering [70.13026036388794]
  本稿では,知識に基づく質問応答タスクの総合的なKG学習と活用を実現するための一般知識注入型カリキュラム事前学習フレームワーク(KICP)を提案する。 KIモジュールはまずKG中心の事前学習コーパスを生成してLMに知識を注入し、プロセスを3つの重要なステップに一般化する。 KAモジュールは、アダプタを備えたLMで生成されたコーパスから知識を学習し、元の自然言語理解能力を維持できる。 CRモジュールは人間の推論パターンに従って3つのコーパスを構築する。
  論文  参考訳（メタデータ） (2024-03-11T03:42:03Z)
• SAPT: A Shared Attention Framework for Parameter-Efficient Continual Learning of Large Language Models [71.78800549517298]
  大規模言語モデル(LLM)を動的世界に展開するには,継続的な学習(CL)能力が不可欠である。 既存の方法は、パラメータ効率チューニング(PET)ブロックを用いてタスク固有の知識を取得するための学習モジュールと、テスト入力に対して対応するものを選択するための選択モジュールを考案する。 本稿では,共有注意学習と選択モジュールを通じてPET学習と選択を調整するための新しい共有注意フレームワーク(SAPT)を提案する。
  論文  参考訳（メタデータ） (2024-01-16T11:45:03Z)
• Towards Goal-oriented Intelligent Tutoring Systems in Online Education [69.06930979754627]
  目標指向知能チューニングシステム(GITS)という新しいタスクを提案する。 GITSは,演習や評価のカスタマイズを戦略的に計画することで,学生の指定概念の習得を可能にすることを目的としている。 PAI(Planning-Assessment-Interaction)と呼ばれるグラフに基づく新しい強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-03T12:37:16Z)
• Empowering Private Tutoring by Chaining Large Language Models [87.76985829144834]
  本研究は,最先端の大規模言語モデル(LLM)を活用した,本格的な知的チューリングシステムの開発を探求する。 このシステムは、相互に接続された3つのコアプロセス(相互作用、反射、反応)に分けられる。 各プロセスは LLM ベースのツールと動的に更新されたメモリモジュールによって実装される。
  論文  参考訳（メタデータ） (2023-09-15T02:42:03Z)
• Unsupervised Object-Centric Learning with Bi-Level Optimized Query Slot Attention [26.25900877220557]
  Slot-Attentionモジュールはシンプルだが効果的な設計で重要な役割を担い、多くの強力な変種を育ててきた。 本稿では、学習可能なクエリでSlot-Attentionモジュールを初期化し、(2)バイレベル最適化でモデルを最適化することで、これらの問題を解決することを提案する。 本モデルでは、教師なし画像分割と再構成において、合成と複雑な実世界の両方のデータセットに対して最先端の結果が得られる。
  論文  参考訳（メタデータ） (2022-10-17T12:14:59Z)
• elBERto: Self-supervised Commonsense Learning for Question Answering [131.51059870970616]
  本稿では、市販QAモデルアーキテクチャと互換性のあるコモンセンスフレームワークの自己教師型双方向表現学習を提案する。 このフレームワークは5つの自己教師型タスクから構成されており、リッチコモンセンスを含むコンテキストから追加のトレーニング信号を完全に活用するようモデルに強制する。 elBERtoは、単純な語彙的類似性比較が役に立たないような、アウト・オブ・パラグラフや非エフェクトな問題に対して、大幅に改善されている。
  論文  参考訳（メタデータ） (2022-03-17T16:23:45Z)

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。