論文の概要: Does Difficulty even Matter? Investigating Difficulty Adjustment and
Practice Behavior in an Open-Ended Learning Task
- arxiv url: http://arxiv.org/abs/2311.01934v1
- Date: Fri, 3 Nov 2023 14:18:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-06 13:57:18.652358
- Title: Does Difficulty even Matter? Investigating Difficulty Adjustment and
Practice Behavior in an Open-Ended Learning Task
- Title（参考訳）: 難易度は問題でも?
オープンエンド学習課題における難易度調整と実践行動の検討
- Authors: Anan Sch\"utt, Tobias Huber, Jauwairia Nasir, Cristina Conati,
Elisabeth Andr\'e
- Abstract要約: オープンエンドタスクでは、難易度調整の効果が異なる可能性がある。
学生の実践行動が学生の学習方法に影響を及ぼすことが期待されているので,その実践行動をポストホック分析として考察する。
- 参考スコア（独自算出の注目度）: 4.953983211671484
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Difficulty adjustment in practice exercises has been shown to be beneficial
for learning. However, previous research has mostly investigated close-ended
tasks, which do not offer the students multiple ways to reach a valid solution.
Contrary to this, in order to learn in an open-ended learning task, students
need to effectively explore the solution space as there are multiple ways to
reach a solution. For this reason, the effects of difficulty adjustment could
be different for open-ended tasks. To investigate this, as our first
contribution, we compare different methods of difficulty adjustment in a user
study conducted with 86 participants. Furthermore, as the practice behavior of
the students is expected to influence how well the students learn, we
additionally look at their practice behavior as a post-hoc analysis. Therefore,
as a second contribution, we identify different types of practice behavior and
how they link to students' learning outcomes and subjective evaluation measures
as well as explore the influence the difficulty adjustment methods have on the
practice behaviors. Our results suggest the usefulness of taking into account
the practice behavior in addition to only using the practice performance to
inform adaptive intervention and difficulty adjustment methods.
- Abstract（参考訳）: 練習の難易度調整は学習に有用であることが示されている。
しかし、従来の研究では、学生が有効なソリューションに到達するための複数の方法を提供していない密接なタスクを主に調査してきた。
これとは対照的に、オープンエンドの学習タスクで学ぶためには、ソリューションに到達するための複数の方法があるため、学生はソリューション空間を効果的に探索する必要がある。
このため、難易度調整の効果は、開放されたタスクで異なる可能性がある。
そこで本研究では,86名を対象に行ったユーザ調査において,難易度調整の異なる方法を比較した。
さらに,学生の実践行動が学生の学習方法に影響を及ぼすことが期待されているため,その実践行動をポストホック分析として考察する。
そこで,第2のコントリビューションとして,学生の学習成果や主観的評価尺度との関連性や,難易度調整方法が実践行動に与える影響について検討する。
本研究は,適応的介入法と難易度調整法にのみ活用することに加え,実践行動を考慮に入れることの有用性を示唆する。
関連論文リスト
- RLIF: Interactive Imitation Learning as Reinforcement Learning [56.997263135104504]
我々は,対話型模倣学習と類似するが,さらに実践的な仮定の下で,非政治強化学習によってパフォーマンスが向上できることを実証する。
提案手法は,ユーザ介入信号を用いた強化学習を報奨として利用する。
このことは、インタラクティブな模倣学習において介入する専門家がほぼ最適であるべきだという仮定を緩和し、アルゴリズムが潜在的に最適でない人間の専門家よりも改善される行動を学ぶことを可能にする。
論文 参考訳（メタデータ） (2023-11-21T21:05:21Z) - Optimising Human-AI Collaboration by Learning Convincing Explanations [62.81395661556852]
本研究では,人間による意思決定によって安全を保ちながら協調的なシステムを構築する手法を提案する。
Ardentは、説明のための個人の好みに適応することで、効率的で効果的な意思決定を可能にする。
論文 参考訳（メタデータ） (2023-11-13T16:00:16Z) - Opportunities for Adaptive Experiments to Enable Continuous Improvement in Computer Science Education [7.50867730317249]
適応実験では、異なる条件が学生に展開されるにつれて、データを分析・活用する。
これらのアルゴリズムは、その後の学生との相互作用において最も効果的な条件を動的に展開することができる。
本研究は, ブリッジング研究における適応実験の重要性を探求し, 継続的な改善を実現するための方法である。
論文 参考訳（メタデータ） (2023-10-18T20:54:59Z) - Resilient Constrained Learning [94.27081585149836]
本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。
我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
論文 参考訳（メタデータ） (2023-06-04T18:14:18Z) - Reinforcing Cybersecurity Hands-on Training With Adaptive Learning [0.5735035463793008]
本論文は,セキュリティトレーニングにおける適応学習に関する最初の研究の1つである。
本研究は,12回の研修セッションにおける95人の学生のパフォーマンスを分析し,現在の研修実践の限界を理解することを目的とする。
そこで,本研究では,学生の習熟度を考慮した適応学習のための新しいチューターモデルを提案する。
論文 参考訳（メタデータ） (2022-01-05T12:35:40Z) - Imitation Learning by Reinforcement Learning [16.62889844853729]
決定論的専門家にとって、模倣学習は強化学習を減らして行うことができることを示す。
我々は、連続的な制御タスクにおいて、その削減が実際にうまく機能することを確認する実験を行う。
論文 参考訳（メタデータ） (2021-08-10T16:14:41Z) - Seeing Differently, Acting Similarly: Imitation Learning with
Heterogeneous Observations [126.78199124026398]
多くの実世界の模倣学習タスクでは、デモレーターと学習者は異なるが完全な観察空間で行動しなければならない。
本研究では、上記の学習問題を異種観察学習(HOIL)としてモデル化する。
本稿では,重要度重み付け,拒否学習,アクティブクエリに基づくIWREアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-06-17T05:44:04Z) - Learning on a Budget via Teacher Imitation [0.5185131234265025]
アクションアドバイザリング(Action Advising)は、教師-学生間のアクションの形でそのような知識を伝達する柔軟な方法を提供するフレームワークである。
我々は,教師の模倣によるアドバイス再利用の概念を拡張し,アドバイス収集とアドバイス活用の両問題に対処する統一的なアプローチを構築する。
論文 参考訳（メタデータ） (2021-04-17T04:15:00Z) - One Solution is Not All You Need: Few-Shot Extrapolation via Structured
MaxEnt RL [142.36621929739707]
課題を達成するために多様な行動を学ぶことは、様々な環境に一般化する行動を引き起こす可能性があることを示す。
トレーニング中の1つの環境でタスクの複数のソリューションを識別することにより、我々のアプローチは新たな状況に一般化できる。
論文 参考訳（メタデータ） (2020-10-27T17:41:57Z) - Importance Weighted Policy Learning and Adaptation [89.46467771037054]
政治外学習の最近の進歩の上に構築された,概念的にシンプルで,汎用的で,モジュール的な補完的アプローチについて検討する。
このフレームワークは確率論的推論文学のアイデアにインスパイアされ、堅牢な非政治学習と事前の行動を組み合わせる。
提案手法は,メタ強化学習ベースラインと比較して,ホールドアウトタスクにおける競合適応性能を実現し,複雑なスパース・リワードシナリオにスケールすることができる。
論文 参考訳（メタデータ） (2020-09-10T14:16:58Z)
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。