論文の概要: Learnersourcing in the Age of AI: Student, Educator and Machine
Partnerships for Content Creation
- arxiv url: http://arxiv.org/abs/2306.06386v1
- Date: Sat, 10 Jun 2023 09:17:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-13 19:14:23.166528
- Title: Learnersourcing in the Age of AI: Student, Educator and Machine
Partnerships for Content Creation
- Title（参考訳）: ai時代の学習者ソーシング: コンテンツ制作のための学生、教育者、機械とのパートナーシップ
- Authors: Hassan Khosravi and Paul Denny and Steven Moore and John Stamper
- Abstract要約: 学習者アウトソーシング(Learningersourcing)とも呼ばれる新しいコンテンツを作成する学生の育成は、高次の学習を促進する効果的なアプローチとして認識されつつある。
本稿では,既存の学習者ソーシング文献,学習科学からの最新の知見,AIの進歩を考察し,学習者ソーシングシステムを開発するための将来的な方向性を提供する枠組みを提案する。
- 参考スコア（独自算出の注目度）: 2.8074364079901013
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Engaging students in creating novel content, also referred to as
learnersourcing, is increasingly recognised as an effective approach to
promoting higher-order learning, deeply engaging students with course material
and developing large repositories of content suitable for personalized
learning. Despite these benefits, some common concerns and criticisms are
associated with learnersourcing (e.g., the quality of resources created by
students, challenges in incentivising engagement and lack of availability of
reliable learnersourcing systems), which have limited its adoption. This paper
presents a framework that considers the existing learnersourcing literature,
the latest insights from the learning sciences and advances in AI to offer
promising future directions for developing learnersourcing systems. The
framework is designed around important questions and human-AI partnerships
relating to four key aspects: (1) creating novel content, (2) evaluating the
quality of the created content, (3) utilising learnersourced contributions of
students and (4) enabling instructors to support students in the
learnersourcing process. We then present two comprehensive case studies that
illustrate the application of the proposed framework in relation to two
existing popular learnersourcing systems.
- Abstract（参考訳）: 学習者ソーシング(learnersourcing)とも呼ばれる新しいコンテンツの作成に熱心である学生は、高階学習を促進する効果的なアプローチとして認識され、コース教材に深く関与し、パーソナライズされた学習に適したコンテンツの大きなリポジトリを開発する。
これらの利点にもかかわらず、一般的な懸念や批判は学習者ソーシング(例えば、学生が生み出すリソースの質、エンゲージメントのインセンティブの課題、信頼性の高い学習者ソーシングシステムの可用性の欠如)と関連しており、採用が制限されている。
本稿では,既存の学習者ソーシング文献,学習科学からの最新の知見,AIの進歩を考察し,学習者ソーシングシステムの開発に向けた将来的な方向性を示す枠組みを提案する。
本フレームワークは,(1)新規コンテンツの作成,(2)コンテンツの品質評価,(3)学生の学習支援活動の活用,(4)学習指導者による学習指導支援の4つの重要な側面に関する重要な質問や人間とAIの連携を中心に設計されている。
次に,提案するフレームワークを既存の2つの学習者ソーシングシステムに応用した2つの総合ケーススタディを提案する。
関連論文リスト
- Development of an open education resources (OER) system: a comparative analysis and implementation approach [0.0]
このプロジェクトには、LMS(Learning Management Systems)のトップ5の比較分析が含まれている。
主な目的は、非商業ユーザのための教育資源の共有を容易にするWebベースのシステムを作ることである。
論文 参考訳（メタデータ） (2024-05-26T05:58:45Z) - Representing Pedagogic Content Knowledge Through Rough Sets [0.0]
この論文は、論理モデルを構築したり、教師を支援するための意味を意識したAIソフトウェアを開発することを目的としている。
提案手法の主な利点は、あいまいさ、マルチモーダリティをコヒーレントに扱う能力である。
論文 参考訳（メタデータ） (2024-02-26T11:00:45Z) - Beyond Factuality: A Comprehensive Evaluation of Large Language Models
as Knowledge Generators [78.63553017938911]
大規模言語モデル(LLM)は、下流の知識集約タスクのための情報検索技術より優れている。
しかし、コミュニティの懸念は、この無検閲の知識を使用することの事実と潜在的意味について多岐にわたる。
本研究では,6つの重要な視点から生成した知識を評価するために設計されたCONNERを紹介する。
論文 参考訳（メタデータ） (2023-10-11T08:22:37Z) - Exploring Iterative Enhancement for Improving Learnersourced
Multiple-Choice Question Explanations with Large Language Models [23.12128710240935]
我々は、自動説明生成のタスクを足場として、"ILearner-LLM" というフレームワークを提示し、評価する。
このフレームワークは、評価モデルから品質評価スコアをインストラクションプロンプトに反復的にフィードバックすることで、高品質な学生対応の説明を生成する。
本研究は,学生の学習支援体験を充実させるための有望な道のりを示すものである。
論文 参考訳（メタデータ） (2023-09-19T09:04:15Z) - Can We Trust AI-Generated Educational Content? Comparative Analysis of
Human and AI-Generated Learning Resources [4.528957284486784]
大規模言語モデル(LLMs)は、大規模に学習教材を迅速に作成する上で、有望なソリューションを提供するように見える。
学習指導活動の一環として,LLMが生み出す資源の質と学生が生み出す資源の質を比較した。
その結果、学生が認識するAI生成リソースの品質は、同僚が生成するリソースの品質と同等であることがわかった。
論文 参考訳（メタデータ） (2023-06-18T09:49:21Z) - Multimodal Dialog Systems with Dual Knowledge-enhanced Generative Pretrained Language Model [63.461030694700014]
マルチモーダルなタスク指向対話システム(DKMD)のための新しい二元的知識強化型事前学習言語モデルを提案する。
提案したDKMDは,2つの知識選択,2つの知識強調型文脈学習,知識強調型応答生成という3つの重要なコンポーネントから構成される。
パブリックデータセットの実験は、最先端の競合相手よりも提案されたDKMDの優位性を検証する。
論文 参考訳（メタデータ） (2022-07-16T13:02:54Z) - Contextualized Knowledge-aware Attentive Neural Network: Enhancing
Answer Selection with Knowledge [77.77684299758494]
ナレッジグラフ(KG)による外部知識による回答選択モデル向上のアプローチを幅広く検討しています。
まず、KGの外部知識とテキスト情報との密接な相互作用を考慮し、QA文表現を学習するコンテキスト知識相互作用学習フレームワークであるナレッジアウェアニューラルネットワーク(KNN)を紹介します。
KG情報の多様性と複雑性に対処するために, カスタマイズされたグラフ畳み込みネットワーク (GCN) を介して構造情報を用いた知識表現学習を改善し, コンテキストベースおよび知識ベースの文表現を総合的に学習する コンテキスト型知識認識型アテンシブニューラルネットワーク (CKANN) を提案する。
論文 参考訳（メタデータ） (2021-04-12T05:52:20Z) - Creation and Evaluation of a Pre-tertiary Artificial Intelligence (AI)
Curriculum [58.86139968005518]
香港大学(CUHK)-Jockey Club AI for the Future Project(AI4Future)は、第3次教育のためのAIカリキュラムを共同開発した。
工学と教育を専門とする14人の教授が、6つの中学校の17の校長と教師と協力してカリキュラムを共同作成した。
共同創造プロセスは、AIにおける教師の知識を高める様々なリソースを生み出し、その課題を教室に持ち込むための教師の自主性を育んだ。
論文 参考訳（メタデータ） (2021-01-19T11:26:19Z) - 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) - Knowledge Integration of Collaborative Product Design Using Cloud
Computing Infrastructure [65.2157099438235]
本論文の主な焦点は、クラウドコンピューティングインフラを用いた協調製品設計・開発のための知識統合サービスの提供に関する継続的な研究のコンセプトである。
提案された知識統合サービスは,知識リソースへのリアルタイムアクセスを提供することによってユーザを支援する。
論文 参考訳（メタデータ） (2020-01-16T18:44:27Z)
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。