論文の概要: Training Students' Abstraction Skills Around a CAF\'E 2.0

• arxiv url: http://arxiv.org/abs/2309.09562v1
• Date: Mon, 18 Sep 2023 08:16:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-19 14:32:31.362756
• Title: Training Students' Abstraction Skills Around a CAF\'E 2.0
• Title（参考訳）: CAF\'E 2.0における学生の抽象化スキルの育成
• Authors: G\'eraldine Brieven, Lev Malcev, Benoit Donnet
• Abstract要約: 本稿では,CAF'E 2.0を概説し,CS1コースの具体例を示す。 また、学生のCAF'E 2.0とのインタラクションを、知覚と参加データを通じて評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Shaping first year students' mind to help them master abstraction skills is as crucial as it is challenging. Although abstraction is a key competence in problem-solving (in particular in STEM disciplines), students are often found to rush that process because they find it hard and do not get any direct outcome out of it. They prefer to invest their efforts directly in a concrete ground, rather than using abstraction to create a solution. To overcome that situation, in the context of our CS1 course, we implemented a tool called CAF\'E 2.0. It allows students to actively and regularly practice (thanks to a longitudinal activity) their abstraction skills through a graphical programming methodology. Moreover, further than reviewing students' final implementation, CAF\'E 2.0 produces a personalized feedback on how students modeled their solution, and on how consistent it is with their final code. This paper describes CAF\'E 2.0 in a general setting and also provides a concrete example in our CS1 course context. This paper also assesses students' interaction with CAF\'E 2.0 through perception and participation data. Finally, we explain how CAF\'E 2.0 could extended in another context than a CS1 course.
• Abstract（参考訳）: 抽象化スキルを習得するために1年生の心を形作ることは、困難であると同時に重要です。 抽象化は(特にSTEMの分野において)問題解決において重要な能力であるが、生徒はそれを難しく感じ、直接の結果を得ないため、そのプロセスを急ぐことがよく見られる。 彼らは、ソリューションを作るのに抽象化を使うよりも、具体的基盤に直接投資することを好む。 この状況を克服するため,CS1コースでは,CAF\'E 2.0というツールを実装した。 生徒はグラフィカルプログラミングの方法論を通じて、積極的に定期的に(縦断的な活動によって)抽象化スキルを実践することができる。 さらに、CAF\'E 2.0は、学生の最終的な実装をレビューするだけでなく、生徒のソリューションのモデル化方法や最終コードとの整合性に関するパーソナライズされたフィードバックを生み出している。 本稿では CAF\'E 2.0 を一般的な設定で記述し、CS1 コースのコンテキストで具体例を示す。 また,学生の CAF\'E 2.0 との相互作用を知覚と参加データを通じて評価する。 最後に、CAF\'E 2.0がCS1コース以外のコンテキストでどのように拡張できるかを説明する。

関連論文リスト

• Planning for Sample Efficient Imitation Learning [52.44953015011569]
  現在の模倣アルゴリズムは、高い性能と高環境サンプル効率を同時に達成するのに苦労している。 本研究では,環境内サンプルの効率と性能を同時に達成できる計画型模倣学習手法であるEfficientImitateを提案する。 実験結果から,EIは性能と試料効率の両立を図った。
  論文  参考訳（メタデータ） (2022-10-18T05:19:26Z)
• 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)
• Large Language Models can Implement Policy Iteration [18.424558160071808]
  In-Context Policy Iterationは、基礎モデルを用いてReinforcement Learning(RL)を実行するアルゴリズムである。 ICPIは、専門家によるデモンストレーションやグラデーションなしでRLタスクを実行することを学ぶ。 ICPIは、RL環境との試行錯誤によってポリシーを導出するプロンプトの内容を反復的に更新する。
  論文  参考訳（メタデータ） (2022-10-07T21:18:22Z)
• From {Solution Synthesis} to {Student Attempt Synthesis} for Block-Based Visual Programming Tasks [20.64766977405438]
  以下に示す課題を中心に、新しいベンチマークであるSeardSynを紹介する。 学生は,一定基準課題に対する生徒の試行を観察した後,新たな目標課題に対する学生の試行を合成する。 この課題は、プログラム合成の課題に似ているが、解法(すなわち、専門家が書くプログラム)の代わりに、ここでのゴールは、学生の試み(すなわち、ある学生が書くであろうプログラム)を合成することである。
  論文  参考訳（メタデータ） (2022-05-03T01:32:47Z)
• ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
  本稿では,フィードバックを数発の分類として提供するという課題について考察する。 メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。 本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
  論文  参考訳（メタデータ） (2021-07-23T22:41:28Z)
• Distilling a Powerful Student Model via Online Knowledge Distillation [158.68873654990895]
  既存のオンライン知識蒸留アプローチは、最高のパフォーマンスを持つ学生を採用するか、より良い全体的なパフォーマンスのためのアンサンブルモデルを構築する。 本稿では,機能融合と自己蒸留という2つの要素からなるFFSDと呼ばれる新しいオンライン知識蒸留法を提案する。
  論文  参考訳（メタデータ） (2021-03-26T13:54:24Z)
• Effective Feedback for Introductory CS Theory: A JFLAP Extension and Student Persistence [4.40401067183266]
  我々の研究の主な目的は、学生が抽象計算モデルを学ぶのを支援することである。 これらのモデルと対話するための最も一般的な教育ツールがJava Formal Languages and Automata Package (JFLAP)である。 JFLAPサーバ拡張は,学生からの宿題の提出を受け付け,その提出を正しいか間違っているか評価し,提出が正しくない場合に証人文字列を提供する。
  論文  参考訳（メタデータ） (2020-12-02T21:39:01Z)
• LID 2020: The Learning from Imperfect Data Challenge Results [242.86700551532272]
  Imperfect Dataワークショップからの学習は、新しいアプローチの開発に刺激を与え、促進することを目的としている。 我々は、弱教師付き学習環境における最先端のアプローチを見つけるために、3つの課題を編成する。 この技術的レポートは、課題のハイライトを要約している。
  論文  参考訳（メタデータ） (2020-10-17T13:06:12Z)
• "What Are You Trying to Do?" Semantic Typing of Event Processes [94.3499255880101]
  本稿では,認知に動機づけられたセマンティックタイピングタスク,多軸イベントプロセスタイピングについて検討する。 我々は60k以上のイベントプロセスを含む大規模なデータセットを開発し、アクションとオブジェクトタイプの軸の両方に極細粒度のタイピングを特徴とする。 本稿では,Glosses1からの間接的監視によるタイピング問題に対処するハイブリッド学習フレームワークP2GTと,共同学習からランクへのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-13T22:37:29Z)
• Learning to Augment Expressions for Few-shot Fine-grained Facial Expression Recognition [98.83578105374535]
  顔表情データベースF2EDについて述べる。 顔の表情は119人から54人まで、200万枚以上の画像が含まれている。 実世界のシナリオでは,不均一なデータ分布やサンプルの欠如が一般的であるので,数発の表情学習の課題を評価する。 顔画像合成のための統合されたタスク駆動型フレームワークであるComposeal Generative Adversarial Network (Comp-GAN) 学習を提案する。
  論文  参考訳（メタデータ） (2020-01-17T03:26:32Z)

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。