論文の概要: An Approach to Automatically generating Riddles aiding Concept Attainment

• arxiv url: http://arxiv.org/abs/2310.18290v1
• Date: Fri, 27 Oct 2023 17:28:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-30 12:41:02.758476
• Title: An Approach to Automatically generating Riddles aiding Concept Attainment
• Title（参考訳）: 概念達成を支援する謎の自動生成手法
• Authors: Niharika Sri Parasa, Chaitali Diwan, Srinath Srinivasa
• Abstract要約: 概念達成モデル(Concept Attainment Model)は、辞書の定義だけでなく、概念をより深く理解する学習者に焦点を当てている。 これは、様々な概念の非例から例を区別するために使われるプロパティを検索し、リストアップすることによってなされる。 我々の研究は、概念達成モデルを適用して概念的な結束を構築し、オンライン学習環境に展開しようと試みている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One of the primary challenges in online learning environments, is to retain learner engagement. Several different instructional strategies are proposed both in online and offline environments to enhance learner engagement. The Concept Attainment Model is one such instructional strategy that focuses on learners acquiring a deeper understanding of a concept rather than just its dictionary definition. This is done by searching and listing the properties used to distinguish examples from non-examples of various concepts. Our work attempts to apply the Concept Attainment Model to build conceptual riddles, to deploy over online learning environments. The approach involves creating factual triples from learning resources, classifying them based on their uniqueness to a concept into `Topic Markers' and `Common', followed by generating riddles based on the Concept Attainment Model's format and capturing all possible solutions to those riddles. The results obtained from the human evaluation of riddles prove encouraging.
• Abstract（参考訳）: オンライン学習環境における主な課題の1つは、学習者のエンゲージメントを維持することである。 学習者のエンゲージメントを高めるために,オンライン環境とオフライン環境の両方で異なる教育戦略が提案されている。 概念達成モデルは、学習者が辞書の定義だけでなく、概念をより深く理解することに焦点を当てた教育戦略の一つである。 これは、様々な概念の非例から例を区別するために使われるプロパティを検索し、リストアップすることによってなされる。 我々の研究は、概念達成モデルを適用して概念的な結束を構築し、オンライン学習環境に展開しようと試みている。 このアプローチでは、学習リソースから事実三重項を作成し、その一意性に基づいて概念を‘トピックマーカー’と‘共通’に分類し、次に概念達成モデルのフォーマットに基づいて謎を生成し、それらの謎に対するすべての可能な解をキャプチャする。 謎の人為的な評価から得られた結果は有益である。

関連論文リスト

• Explainable Concept Generation through Vision-Language Preference Learning [7.736445799116692]
  概念に基づく説明は、ポストホック後のディープニューラルネットワークを説明するための一般的な選択肢となっている。 視覚言語生成モデルを微調整する強化学習に基づく選好最適化アルゴリズムを考案する。 提案手法の有効性と信頼性に加えて,ニューラルネットワーク解析の診断ツールとしての有用性を示す。
  論文  参考訳（メタデータ） (2024-08-24T02:26:42Z)
• Pre-trained Vision-Language Models Learn Discoverable Visual Concepts [33.302556000017844]
  学習した視覚的概念が広範囲のアプリケーションを可能にすることを目標にしています。 事前学習されたVLMによってキャプチャされた視覚概念は、テキストベースの概念プロンプトで視覚言語インタフェースによって抽出できると仮定する。 提案する概念発見学習フレームワークは,汎用的な視覚概念の多種多様なリストを識別するように設計されている。
  論文  参考訳（メタデータ） (2024-04-19T06:41:32Z)
• Learning Interpretable Concepts: Unifying Causal Representation Learning and Foundation Models [51.43538150982291]
  人間の解釈可能な概念をデータから学習する方法を研究する。 両分野からアイデアをまとめ、多様なデータから概念を確実に回収できることを示す。
  論文  参考訳（メタデータ） (2024-02-14T15:23:59Z)
• CLiC: Concept Learning in Context [54.81654147248919]
  本稿では,視覚概念学習の最近の進歩に基づく。 ソースイメージから視覚概念を取得し、その後ターゲットイメージ内のオブジェクトに適用する。 概念学習のローカライズには,マスク内の概念と周囲の画像領域の両方を含むソフトマスクを用いる。
  論文  参考訳（メタデータ） (2023-11-28T01:33:18Z)
• ConceptX: A Framework for Latent Concept Analysis [21.760620298330235]
  本稿では,言語モデル(pLM)における潜在表現空間の解釈と注釈付けを行うための,ループ型ヒューマン・イン・ザ・ループ・フレームワークであるConceptXを提案する。 我々は、教師なしの手法を用いて、これらのモデルで学んだ概念を発見し、人間が概念の説明を生成するためのグラフィカルインターフェースを実現する。
  論文  参考訳（メタデータ） (2022-11-12T11:31:09Z)
• Cross-Modal Alignment Learning of Vision-Language Conceptual Systems [24.423011687551433]
  幼児の単語学習メカニズムに触発された視覚言語概念体系を学習する手法を提案する。 提案モデルでは、視覚オブジェクトと単語の関連性をオンラインで学習し、徐々に相互関係グラフネットワークを構築している。
  論文  参考訳（メタデータ） (2022-07-31T08:39:53Z)
• Automatic Concept Extraction for Concept Bottleneck-based Video Classification [58.11884357803544]
  本稿では,概念に基づくビデオ分類に必要かつ十分な概念抽象セットを厳格に構成する概念発見抽出モジュールを提案する。 提案手法は,自然言語における概念概念の抽象概念を応用し,複雑なタスクに概念ボトルネック法を一般化する。
  論文  参考訳（メタデータ） (2022-06-21T06:22:35Z)
• On the Efficiency of Integrating Self-supervised Learning and Meta-learning for User-defined Few-shot Keyword Spotting [51.41426141283203]
  ユーザ定義キーワードスポッティングは、ユーザが定義する新しい音声用語を検出するタスクである。 これまでの研究は、自己教師付き学習モデルを取り入れたり、メタ学習アルゴリズムを適用しようとするものだった。 この結果から,HuBERTとMatching Networkを組み合わせることで,最適な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-04-01T10:59:39Z)
• Separating Skills and Concepts for Novel Visual Question Answering [66.46070380927372]
  アウト・オブ・ディストリビューションデータへの一般化は、VQA(Visual Question Answering)モデルにおいて問題となっている。 「スキル」とは、数え方や属性認識などの視覚的なタスクであり、その疑問に言及された「概念」に適用される。 モデル内でこれらの2つの要因を暗黙的に分離するスキルと概念を学習するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-07-19T18:55:10Z)
• Concept Learners for Few-Shot Learning [76.08585517480807]
  本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。 我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
  論文  参考訳（メタデータ） (2020-07-14T22:04:17Z)

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。