論文の概要: Improved Performances and Motivation in Intelligent Tutoring Systems: Combining Machine Learning and Learner Choice

• arxiv url: http://arxiv.org/abs/2402.01669v1
• Date: Tue, 16 Jan 2024 13:41:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-11 17:04:54.779284
• Title: Improved Performances and Motivation in Intelligent Tutoring Systems: Combining Machine Learning and Learner Choice
• Title（参考訳）: 知能学習システムの性能向上とモチベーション:機械学習と学習者の選択を組み合わせる
• Authors: Benjamin Cl\'ement (1 adn 3), H\'el\`ene Sauz\'eon (1 and 2), Didier Roy (1), Pierre-Yves Oudeyer (1) ((1) Inria FLOWERS team Talence France, (2) Universit\'e de Bordeaux BPH lab Bordeaux France, (3) EvidenceB Paris France)
• Abstract要約: 選択の付加は本質的な動機づけを引き起こし,LPに基づくパーソナライゼーションの学習効果を高めることを示す。 本研究は,カリキュラムのパーソナライズが学習者にとって有効である場合に限り,遊び的特徴によって引き起こされる本質的な動機が有益であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large class sizes pose challenges to personalized learning in schools, which educational technologies, especially intelligent tutoring systems (ITS), aim to address. In this context, the ZPDES algorithm, based on the Learning Progress Hypothesis (LPH) and multi-armed bandit machine learning techniques, sequences exercises that maximize learning progress (LP). This algorithm was previously shown in field studies to boost learning performances for a wider diversity of students compared to a hand-designed curriculum. However, its motivational impact was not assessed. Also, ZPDES did not allow students to express choices. This limitation in agency is at odds with the LPH theory concerned with modeling curiosity-driven learning. We here study how the introduction of such choice possibilities impact both learning efficiency and motivation. The given choice concerns dimensions that are orthogonal to exercise difficulty, acting as a playful feature. In an extensive field study (265 7-8 years old children, RCT design), we compare systems based either on ZPDES or a hand-designed curriculum, both with and without self-choice. We first show that ZPDES improves learning performance and produces a positive and motivating learning experience. We then show that the addition of choice triggers intrinsic motivation and reinforces the learning effectiveness of the LP-based personalization. In doing so, it strengthens the links between intrinsic motivation and performance progress during the serious game. Conversely, deleterious effects of the playful feature are observed for hand-designed linear paths. Thus, the intrinsic motivation elicited by a playful feature is beneficial only if the curriculum personalization is effective for the learner. Such a result deserves great attention due to increased use of playful features in non adaptive educational technologies.
• Abstract（参考訳）: 大規模なクラス規模は、教育技術、特に知的家庭教師システム(ITS)が目指す学校におけるパーソナライズされた学習に挑戦する。 この文脈において、ZPDESアルゴリズムは、学習進歩(LPH)とマルチアームバンディット機械学習技術に基づいて、学習進歩(LP)を最大化するシーケンス演習を行う。 このアルゴリズムは、手作りのカリキュラムと比較して、より幅広い生徒の学習性能を高めるために、フィールドスタディで示されている。 しかし、その動機的な影響は評価されなかった。 また、ZPDESは生徒に選択の表現を許さなかった。 エージェンシーにおけるこの制限は、好奇心駆動学習のモデリングに関するlph理論と相反する。 このような選択の可能性の導入が学習効率とモチベーションの両方に与える影響について検討する。 与えられた選択は、困難をエクササイズするために直交する次元に関係し、遊び心のある特徴として機能する。 広範なフィールドスタディ (265, 7-8歳, rct設計) において, zpdesに基づくシステムと, 自己完結の有無に関わらず手作りのカリキュラムを比較検討した。 まず,ZPDESが学習性能を向上し,積極的でモチベーションの高い学習体験を生み出すことを示す。 次に,選択の付加が本質的動機づけを引き起こし,lpベースパーソナライゼーションの学習効果を高めることを示す。 これにより本質的なモチベーションと本質的なゲームにおけるパフォーマンス向上との関係が強化される。 逆に、手書き線形パスに対して遊び心のある特徴の有害な効果が観察される。 したがって、カリキュラムのパーソナライゼーションが学習者に有効である場合に限り、遊び心のある特徴によって引き起こされる本質的な動機付けが有益である。 このような結果は、非適応型教育技術における遊び心のある特徴の利用の増加によって大きな注目を集める。

関連論文リスト

• SELFI: Autonomous Self-Improvement with Reinforcement Learning for Social Navigation [54.97931304488993]
  体験と対話し、改善する自己改善ロボットは、ロボットシステムの現実的な展開の鍵となる。 本研究では,オンラインロボット体験を活用したオンライン学習手法であるSELFIを提案する。 本研究では, 衝突回避の観点からの改善と, より社会的に順応する行動について報告する。
  論文  参考訳（メタデータ） (2024-03-01T21:27:03Z)
• 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)
• Towards Scalable Adaptive Learning with Graph Neural Networks and Reinforcement Learning [0.0]
  学習経路のパーソナライズに関する問題に対して,フレキシブルでスケーラブルなアプローチを導入する。 我々のモデルはグラフニューラルネットワークに基づく逐次レコメンデーションシステムである。 以上の結果から,小規模データ体制における適切なレコメンデーションを学習できることが示唆された。
  論文  参考訳（メタデータ） (2023-05-10T18:16:04Z)
• Reinforcement Learning Tutor Better Supported Lower Performers in a Math Task [32.6507926764587]
  強化学習は、開発コストを削減し、インテリジェントな学習ソフトウェアの有効性を向上させるための重要なツールとなり得る。 本研究では, 深層強化学習を用いて, 音量の概念を学習する学生に適応的な教育支援を行うことができることを示す。
  論文  参考訳（メタデータ） (2023-04-11T02:11:24Z)
• Basis for Intentions: Efficient Inverse Reinforcement Learning using Past Experience [89.30876995059168]
  逆強化学習(IRL) - エージェントの報酬関数をその振る舞いを観察することから推測する。 本稿では、エージェントの報酬関数を観察することのできないIRLの問題に対処する。
  論文  参考訳（メタデータ） (2022-08-09T17:29:49Z)
• RvS: What is Essential for Offline RL via Supervised Learning? [77.91045677562802]
  近年の研究では、時間差(TD)のない教師あり学習だけでオフラインRLに極めて効果的であることが示されている。 あらゆる環境スイートにおいて、2層フィードフォワードによる可能性の最大化は競争力がある。 彼らはまた、ランダムデータに対して比較的弱い既存のRvS法の限界を探索する。
  論文  参考訳（メタデータ） (2021-12-20T18:55:16Z)
• Student sentiment Analysis Using Classification With Feature Extraction Techniques [0.0]
  本稿では,Webベースの学習とその学生に対する効果について述べる。 私たちは、ロジスティック回帰(LR)、サポートベクトルマシン(SVM)、ナイーブベイズ(NB)、決定木(DT)といった機械学習手法をどのように研究した。
  論文  参考訳（メタデータ） (2021-02-01T18:48:06Z)
• Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
  パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。 近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
  論文  参考訳（メタデータ） (2021-01-19T12:23:32Z)
• Selective Particle Attention: Visual Feature-Based Attention in Deep Reinforcement Learning [0.0]
  特徴に基づく注意として知られる、視覚的な注意の特定の形態に焦点を当てる。 視覚的特徴に基づく注意は強化学習の効率を改善するために提案されている。 本稿では,SPA(Selective Particle Attention)と呼ばれる新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-26T11:07:50Z)
• Choose Your Own Question: Encouraging Self-Personalization in Learning Path Construction [1.6505359493498744]
  本稿では,対話型教育システム(IES)の一般クラスを対象としたTinderライクなユーザインタフェースであるRocketを紹介する。 Rocketは、AI(Artificial Intelligence)が抽出した学習教材の特徴を視覚的に表現する。 Rocketは、生徒の能力やニーズに関する知識を活用することで、学習経験の自己個人化を可能にする。
  論文  参考訳（メタデータ） (2020-05-08T01:53:04Z)
• Emergent Real-World Robotic Skills via Unsupervised Off-Policy Reinforcement Learning [81.12201426668894]
  報奨関数を使わずに多様なスキルを習得し,これらのスキルを下流のタスクに再利用する効率的な強化学習手法を開発した。 提案アルゴリズムは学習効率を大幅に向上させ,報酬のない実世界のトレーニングを実現する。 また,学習スキルは,目標指向ナビゲーションのためのモデル予測制御を用いて,追加のトレーニングを伴わずに構成可能であることも実証した。
  論文  参考訳（メタデータ） (2020-04-27T17:38:53Z)

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。