論文の概要: Showing Proofs, Assessing Difficulty with GeoGebra Discovery
- arxiv url: http://arxiv.org/abs/2401.11900v1
- Date: Mon, 22 Jan 2024 12:50:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-23 14:11:21.555019
- Title: Showing Proofs, Assessing Difficulty with GeoGebra Discovery
- Title（参考訳）: GeoGebraの発見に苦慮した証明と評価
- Authors: Zolt\'an Kov\'acs (The Private University College of Education of the
Diocese of Linz, Austria), Tom\'as Recio (Escuela Polit\'ecnica Superior,
Universidad Antonio de Nebrija, Madrid, Spain), M. Pilar V\'elez (Escuela
Polit\'ecnica Superior, Universidad Antonio de Nebrija, Madrid, Spain)
- Abstract要約: 我々は、GeoGebra Discoveryによって実行される異なるステップのシーケンスを出力して、特定のステートメントを確認する新しいShowProofコマンドと、アサーションの難易度や関心度を評価しようとする数値について説明する。
- 参考スコア（独自算出の注目度）: 0.6873734657629765
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In our contribution we describe some on-going improvements concerning the
Automated Reasoning Tools developed in GeoGebra Discovery, providing different
examples of the performance of these new features. We describe the new
ShowProof command, that outputs both the sequence of the different steps
performed by GeoGebra Discovery to confirm a certain statement, as well as a
number intending to grade the difficulty or interest of the assertion. The
proposal of this assessment measure, involving the comparison of the expression
of the thesis (or conclusion) as a combination of the hypotheses, will be
developed.
- Abstract（参考訳）: コントリビューションでは、GeoGebra Discoveryで開発されたAutomated Reasoning Toolsに関するいくつかの改善点を説明し、これらの新機能のパフォーマンスの異なる例を提供しています。
我々は、GeoGebra Discoveryによって実行される異なるステップのシーケンスを出力して、特定のステートメントを確認する新しいShowProofコマンドと、アサーションの難易度や関心度を評価しようとする数値について説明する。
本評価尺度の提案は、仮説(または結論)の組合せとして、論文(または結論)の表現の比較を含むものである。
関連論文リスト
- Reward Engineering for Generating Semi-structured Explanation [11.49422399721136]
半構造化された説明は、明示的な表現を持つ推論者の暗黙の過程を描いている。
この説明は、特定のクエリで利用可能な情報がどのように利用され、その内部重みから回答を生成するための情報で補足されるかを強調している。
言語モデルの生成能力は近年改善されているが、モデルの真の推論能力を検証する構造的な説明を生成することは依然として課題である。
論文 参考訳（メタデータ） (2023-09-15T12:10:03Z) - Boosted Prompt Ensembles for Large Language Models [38.402161594793775]
チェーン・オブ・ソート・プロンプトや自己整合性といった手法は、追加のトレーニングを伴わずに、言語モデル推論のパフォーマンスのフロンティアを押し上げている。
大規模言語モデルのためのプロンプトアンサンブル手法を提案する。これは、小さなデータセットを用いて、強化されたプロンプトアンサンブルを構成する一連のショットプロンプトを構成する。」
これにより,GSM8kおよびAQuAデータセットにおいて,単一プロンプトの出力空間アンサンブルとタグ付きプロンプト空間アンサンブルより優れることを示す。
論文 参考訳（メタデータ） (2023-04-12T16:47:15Z) - Explanation Selection Using Unlabeled Data for Chain-of-Thought
Prompting [80.9896041501715]
非専門家によって書かれたオフ・ザ・シェルフの説明のように、タスクのために"チューニング"されていない説明は、中途半端なパフォーマンスをもたらす可能性がある。
本稿では,ブラックボックス方式で説明拡散プロンプトを最適化する方法の課題に対処する。
論文 参考訳（メタデータ） (2023-02-09T18:02:34Z) - Unsupervised Opinion Summarization Using Approximate Geodesics [38.19696482602788]
我々は,未指導の抽出的意見要約を行う新しいシステムであるGeoSumm(GeoSumm)を紹介する。
GeoSummはエンコーダ-デコーダに基づく表現学習モデルで、潜在意味単位上の分布としてテキストの表現を生成する。
我々はこれらの表現を用いて、新しい測地線距離に基づくスコアリング機構を用いて、レビュー文の妥当性を定量化する。
論文 参考訳（メタデータ） (2022-09-15T17:37:08Z) - Entailment Tree Explanations via Iterative Retrieval-Generation Reasoner [56.08919422452905]
我々はIRGR(Iterative Retrieval-Generation Reasoner)と呼ばれるアーキテクチャを提案する。
本モデルでは,テキストの前提からステップバイステップの説明を体系的に生成することにより,与えられた仮説を説明することができる。
前提条件の検索と細分化木の生成に関する既存のベンチマークを上回り、全体の正しさはおよそ300%向上した。
論文 参考訳（メタデータ） (2022-05-18T21:52:11Z) - Local Explanation of Dialogue Response Generation [77.68077106724522]
反応生成の局所的説明(LERG)は、生成モデルの推論過程に関する洞察を得るために提案される。
LERGは、シーケンス予測を人間の応答の不確実性推定とみなし、入力を摂動させ、人間の応答に対する確実性の変化を計算することによって説明を作成する。
提案手法は, 提案手法を改良し, 提案手法の4.4～12.8%を改良した。
論文 参考訳（メタデータ） (2021-06-11T17:58:36Z) - Revisiting the Sample Complexity of Sparse Spectrum Approximation of
Gaussian Processes [60.479499225746295]
本稿では,ガウス過程に対して,パラメータ空間全体に対して同時に保持可能な保証付きスケーラブルな近似を導入する。
我々の近似は、スパーススペクトルガウス過程(SSGP)のための改良されたサンプル複雑性解析から得られる。
論文 参考訳（メタデータ） (2020-11-17T05:41:50Z) - Toward Scalable and Unified Example-based Explanation and Outlier
Detection [128.23117182137418]
我々は,試行錯誤の予測に例ベースの説明を与えることのできる,プロトタイプベースの学生ネットワークのより広範な採用を論じる。
類似カーネル以外のプロトタイプベースのネットワークは,分類精度を損なうことなく,有意義な説明と有望な外乱検出結果が得られることを示す。
論文 参考訳（メタデータ） (2020-11-11T05:58:17Z) - Reinforcement Learning with Feedback Graphs [69.1524391595912]
エージェントがステップ毎に追加のフィードバックを受けた場合,決定過程におけるエピソード強化学習について検討する。
状態-作用対上のフィードバックグラフを用いてこの設定を定式化し、モデルベースのアルゴリズムが追加のフィードバックを利用してよりサンプル効率のよい学習を行うことを示す。
論文 参考訳（メタデータ） (2020-05-07T22:35:37Z)
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。