論文の概要: How We Manage an Army of Teaching Assistants: Experience Report on Scaling a CS1 Course

• arxiv url: http://arxiv.org/abs/2311.14241v1
• Date: Fri, 24 Nov 2023 01:12:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-27 16:17:36.281344
• Title: How We Manage an Army of Teaching Assistants: Experience Report on Scaling a CS1 Course
• Title（参考訳）: 教育アシスタントの軍隊をどう管理するか--cs1コースのスケールに関する経験報告
• Authors: Ildar Akhmetov, Sadaf Ahmed, Kezziah Ayuno
• Abstract要約: 入学数の増加は、コース管理において大きな課題となる。 チームの3層構造は、それぞれ経験豊富なリードTAがリードする。 コミュニケーション、コンテンツ、"失われた学生"サポート、盗作、スケジューリングの5つの機能チーム。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A considerable increase in enrollment numbers poses major challenges in course management, such as fragmented information sharing, inefficient meetings, and poor understanding of course activities among a large team of teaching assistants. To address these challenges, we restructured the course, drawing inspiration from successful management and educational practices. We developed an organized, three-tier structure for teams, each led by an experienced Lead TA. We also formed five functional teams, each focusing on a specific area of responsibility: communication, content, "lost student" support, plagiarism, and scheduling. In addition, we updated our recruitment method for undergraduate TAs, following a model similar to the one used in the software industry, while also deciding to mentor Lead TAs in place of traditional training. Our experiences, lessons learned, and future plans for enhancement have been detailed in this experience report. We emphasize the value of using management techniques in dealing with large-scale course handling and invite cooperation to improve the implementation of these strategies, inviting other institutions to consider and adapt this approach, tailoring it to their specific needs.
• Abstract（参考訳）: 入学者数の増加は、情報共有の断片化、非効率な会議、教育助手の大規模なチーム間でのコース活動の理解不足など、コース管理において大きな課題となっている。 これらの課題に対処するため、私たちはコースを再構築し、経営の成功と教育実践からインスピレーションを得ました。 私たちはチームのための組織的な3層構造を開発しました。 また、コミュニケーション、コンテンツ、"失われた学生"サポート、盗作、スケジューリングという、特定の責任領域に焦点を当てた5つの機能チームも立ち上げました。 さらに,ソフトウェア産業で使用されているのと同様のモデルに従って,学部生のTA採用方法を改訂し,従来のトレーニングの代わりにリードTAを指導することを決定した。 本経験報告では,我々の経験,学んだ教訓,今後の拡張計画について詳述した。 我々は,大規模コースハンドリングにマネジメント技術を使うことの重要性を強調し,これらの戦略の実行を改善するために協力を呼びかけ,他の機関にこのアプローチを検討し,適応させ,特定のニーズに合わせるように促す。

関連論文リスト

• Distilling Instruction-following Abilities of Large Language Models with Task-aware Curriculum Planning [12.651588927599441]
  インストラクションチューニングは、大きな言語モデルにオープンドメイン命令と人間優先応答を合わせることを目的としている。 学生のLLMの追従が難しい命令を選択するために,TAPIR(Task-Aware Curriculum Planning for Instruction Refinement)を導入する。 学生の能力のバランスをとるために、トレーニングセット内のタスク分布は、対応するタスクに応じて自動的に調整された応答で調整される。
  論文  参考訳（メタデータ） (2024-05-22T08:38:26Z)
• Enhancing Student Engagement in Large-Scale Capstone Courses: An Experience Report [2.7629502923028944]
  キャップストーンコースは、ソフトウェア開発でハンズオン体験を得るための貴重な機会を学生に提供する。 アカッドストーン・コースの調整 特に大学生のコホートは 学術スタッフにとって 大変な仕事だ 6回の連続セッションで大きく成長したキャップストーンコースの反復的開発と改良について概説した。
  論文  参考訳（メタデータ） (2024-04-03T23:59:35Z)
• Experiential Co-Learning of Software-Developing Agents [83.34027623428096]
  大規模言語モデル(LLM)は、特にソフトウェア開発において、様々な領域に大きな変化をもたらした。 本稿では,新しいLLM学習フレームワークであるExperiential Co-Learningを紹介する。 実験では、このフレームワークにより、エージェントは、目に見えないソフトウェア開発タスクをより効果的に対処できることを示した。
  論文  参考訳（メタデータ） (2023-12-28T13:50:42Z)
• Introspective Action Advising for Interpretable Transfer Learning [7.673465837624365]
  伝達学習は、目標タスクにおける政策の訓練を加速するために、深層強化学習に適用することができる。 本稿では,教師が目標課題における生徒の探索を積極的に指導する,行動アドバイスに基づく課題間での学習を伝達するための代替手法を提案する。
  論文  参考訳（メタデータ） (2023-06-21T14:53:33Z)
• Learning to Transfer Role Assignment Across Team Sizes [48.43860606706273]
  チーム規模で役割の割り当てと移譲を学ぶためのフレームワークを提案する。 ロールベースの信用割当構造を再利用することで、より大きな強化学習チームの学習プロセスが促進されることを示す。
  論文  参考訳（メタデータ） (2022-04-17T11:22:01Z)
• Measuring and Harnessing Transference in Multi-Task Learning [58.48659733262734]
  マルチタスク学習は、あるタスクによって学習された情報を活用して、他のタスクのトレーニングに役立てることができる。 情報伝達や伝達のダイナミクスを、トレーニングを通して分析する。
  論文  参考訳（メタデータ） (2020-10-29T08:25:43Z)
• Curriculum Learning for Reinforcement Learning Domains: A Framework and Survey [53.73359052511171]
  強化学習(Reinforcement Learning, RL)は、エージェントが限られた環境フィードバックしか持たないシーケンシャルな意思決定タスクに対処するための一般的なパラダイムである。 本稿では、RLにおけるカリキュラム学習(CL)の枠組みを提案し、既存のCLメソッドを仮定、能力、目標の観点から調査・分類する。
  論文  参考訳（メタデータ） (2020-03-10T20:41:24Z)
• Transfer Heterogeneous Knowledge Among Peer-to-Peer Teammates: A Model Distillation Approach [55.83558520598304]
  本研究は, モデル蒸留により, 複数の学生間で経験と伝達値関数を再利用する新しい手法を提案する。 また、異種知識を活用するための効率的な通信プロトコルの設計方法について述べる。 提案するフレームワークである学習・指導カテゴリー強化は,学習の進捗を安定化・加速する上で有望な性能を示す。
  論文  参考訳（メタデータ） (2020-02-06T11:31:04Z)
• Learning to Multi-Task Learn for Better Neural Machine Translation [53.06405021125476]
  マルチタスク学習は、言語関連バイアスをニューラルネットワーク翻訳モデルに注入するエレガントなアプローチである。 本稿では,学習スケジュールの学習,マルチタスク学習のための新しいフレームワークを提案する。 実験の結果、自動学習したトレーニングスケジューラがベストと競い合っており、最大1.1BLEUスコアが向上している。
  論文  参考訳（メタデータ） (2020-01-10T03:12:28Z)

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。