論文の概要: Show me the numbers! -- Student-facing Interventions in Adaptive Learning Environments for German Spelling

• arxiv url: http://arxiv.org/abs/2306.07853v1
• Date: Tue, 13 Jun 2023 15:33:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-14 13:01:40.539087
• Title: Show me the numbers! -- Student-facing Interventions in Adaptive Learning Environments for German Spelling
• Title（参考訳）: 数字を見せて下さい。 --ドイツ語綴りの適応学習環境における学生向け介入
• Authors: Nathalie Rzepka, Katharina Simbeck, Hans-Georg Mueller, Marlene Bueltemann, Niels Pinkwart
• Abstract要約: 学生向け適応学習環境は, 人的誤り率の向上に有効である。 我々は,エラー率,早期ドロップアウト数,ユーザ能力に関する異なる介入を評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Since adaptive learning comes in many shapes and sizes, it is crucial to find out which adaptations can be meaningful for which areas of learning. Our work presents the result of an experiment conducted on an online platform for the acquisition of German spelling skills. We compared the traditional online learning platform to three different adaptive versions of the platform that implement machine learning-based student-facing interventions that show the personalized solution probability. We evaluate the different interventions with regard to the error rate, the number of early dropouts, and the users competency. Our results show that the number of mistakes decreased in comparison to the control group. Additionally, an increasing number of dropouts was found. We did not find any significant effects on the users competency. We conclude that student-facing adaptive learning environments are effective in improving a persons error rate and should be chosen wisely to have a motivating impact.
• Abstract（参考訳）: 適応学習には様々な形や大きさが伴うため、どの適応がどの領域の学習に意味を持つかを知ることが不可欠である。 本研究は、ドイツ語綴りスキル獲得のためのオンラインプラットフォーム上で行った実験の結果である。 従来のオンライン学習プラットフォームを,パーソナライズされたソリューション確率を示すマシンラーニングベースの学生向け介入を実装する3つの適応型プラットフォームと比較した。 我々は,エラー率,早期ドロップアウト回数,ユーザの能力に関して,さまざまな介入を評価した。 その結果,対照群と比較して誤り数の減少が見られた。 さらに、ドロップアウトの数が増えている。 ユーザに対する大きな影響は見つからなかったのです。 学生が対象とする適応学習環境は,誤り率の向上に有効であり,モチベーションに影響を及ぼすためには賢明な選択が必要であると結論付けた。

関連論文リスト

• Toward In-Context Teaching: Adapting Examples to Students' Misconceptions [54.82965010592045]
  本稿ではAdapTと呼ばれる一連のモデルと評価手法を紹介する。 AToMは、学生の過去の信念を共同で推論し、将来の信念の正しさを最適化する適応教育の新しい確率論的モデルである。 本研究は,適応型学習課題の難しさと,それを解決するための学習適応モデルの可能性を両立させるものである。
  論文  参考訳（メタデータ） (2024-05-07T17:05:27Z)
• Corrective Machine Unlearning [23.969562017133367]
  データの操作や誤操作を検出すると、開発者が何ができるのかを調査する。 「矯正機械学習」は、未知の操作による影響を緩和する問題である。 我々は、ゴールドスタンダード・リトレーニング・トゥ・スクラッチを含む既存の未学習手法のほとんどは、操作されたデータの大部分を識別する必要があることを発見した。
  論文  参考訳（メタデータ） (2024-02-21T18:54:37Z)
• Getting too personal(ized): The importance of feature choice in online adaptive algorithms [6.716421415117937]
  個人情報への適応が全学生に利益をもたらす政策の導入を遅らせるかどうかなど、個人化の方法を見つけようとする場合のコストについて検討する。 我々は、これらの問題をマルチアーム・バンディット(MAB)アルゴリズムを用いて、各生徒に提示する教育技術のどのバージョンを選ぶかを学ぶ。 これらの特徴が最適行動の学習に必要となる場合, パーソナライズに学生の特徴を取り入れることが有益であることを示す。
  論文  参考訳（メタデータ） (2023-09-06T09:34:54Z)
• 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)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Adoption of Artificial Intelligence in Schools: Unveiling Factors Influencing Teachers Engagement [5.546987319988426]
  学校で採用されるAIツールは、常に研究コミュニティの製品として考慮され、研究されるとは限らない。 学校における適応型学習プラットフォームの導入に影響を及ぼす包括的要因を測定するための信頼性の高い尺度を開発した。 追加の作業負荷、教師の所有と信頼の増大、支援メカニズムの生成、倫理的問題が最小化されることの保証は、学校でAIを採用する上でも不可欠である。
  論文  参考訳（メタデータ） (2023-04-03T11:47:08Z)
• When Do Curricula Work in Federated Learning? [56.88941905240137]
  カリキュラム学習は非IID性を大幅に軽減する。 クライアント間でデータ配布を多様化すればするほど、学習の恩恵を受けるようになる。 本稿では,クライアントの現実的格差を生かした新しいクライアント選択手法を提案する。
  論文  参考訳（メタデータ） (2022-12-24T11:02:35Z)
• Exploring Bayesian Deep Learning for Urgent Instructor Intervention Need in MOOC Forums [58.221459787471254]
  大規模なオープンオンラインコース(MOOC)は、その柔軟性のおかげで、eラーニングの一般的な選択肢となっている。 多くの学習者とその多様な背景から、リアルタイムサポートの提供は課税されている。 MOOCインストラクターの大量の投稿と高い作業負荷により、インストラクターが介入を必要とするすべての学習者を識別できる可能性は低いです。 本稿では,モンテカルロドロップアウトと変分推論という2つの手法を用いて,学習者によるテキスト投稿のベイジアン深層学習を初めて検討する。
  論文  参考訳（メタデータ） (2021-04-26T15:12:13Z)
• Efficient Estimation of Influence of a Training Instance [56.29080605123304]
  本稿では,ニューラルネットワークモデルに対するトレーニングインスタンスの影響を効率的に推定する手法を提案する。 このメソッドは、サブネットワークをゼロマスクし、サブネットワークが各トレーニングインスタンスを学習するのを防ぎます。 提案手法は, 学習の影響を捉え, 誤り予測の解釈性を高め, 一般化改善のための訓練データセットをクリーン化できることを実証する。
  論文  参考訳（メタデータ） (2020-12-08T04:31:38Z)
• A framework for predicting, interpreting, and improving Learning Outcomes [0.0]
  本研究では,学生の観察的,行動的,受験的特徴に基づいて,テストスコアを予測するEmbibe Score Quotient Model(ESQ)を開発した。 ESQは、学生の将来的な採点可能性の予測や、個別の学習ナッジの提供に使用することができる。
  論文  参考訳（メタデータ） (2020-10-06T11:22:27Z)
• Never Stop Learning: The Effectiveness of Fine-Tuning in Robotic Reinforcement Learning [109.77163932886413]
  本稿では,ロボットによるロボット操作ポリシーを,政治以外の強化学習を通じて微調整することで,新たなバリエーションに適応する方法を示す。 この適応は、タスクをゼロから学習するために必要なデータの0.2%未満を使用する。 事前訓練されたポリシーを適用するという私たちのアプローチは、微調整の過程で大きなパフォーマンス向上につながります。
  論文  参考訳（メタデータ） (2020-04-21T17:57:04Z)

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。