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/2402.01669v2
• Date: Wed, 05 Mar 2025 08:23:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 15:50:31.708905
• 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 Clément, Hélène Sauzéon, Didier Roy, Pierre-Yves Oudeyer,
• Abstract要約: 大規模なクラスは、学校でパーソナライズされた学習に挑戦する。 ZPDESと呼ばれるAIによるパーソナライズシステムを提案する。 それは、各生徒の学習の進捗を最大化するエクササイズを列挙する。
• 参考スコア（独自算出の注目度）: 17.558814050941677
• License:
• Abstract: Large class sizes challenge personalized learning in schools, prompting the use of educational technologies such as intelligent tutoring systems. To address this, we present an AI-driven personalization system, called ZPDES, based on the Learning Progress Hypothesis - modeling curiosity-driven learning - and multi-armed bandit techniques. It sequences exercises that maximize learning progress for each student. While previous studies demonstrated its efficacy in enhancing learning compared to hand-made curricula, its impact on student motivation remained unexplored. Furthermore, ZPDES previously lacked features allowing student choice, a limitation in agency that conflicts with its foundation on models of curiosity-driven learning. This study investigates how integrating choice, as a gamification element unrelated to exercise difficulty, affects both learning outcomes and motivation. We conducted an extensive field study (265 7-8 years old children, RCT design), comparing ZPDES with and without choice against a hand-designed curriculum. Results show that ZPDES improves both learning performance and the learning experience. Moreover adding choice to ZPDES enhances intrinsic motivation and further strengthens its learning benefits. In contrast, incorporating choice into a fixed, linear curriculum negatively impacts learning outcomes. These findings highlight that the intrinsic motivation elicited by choice (gamification) is beneficial only when paired with an adaptive personalized learning system. This insight is critical as gamified features become increasingly prevalent in educational technologies.
• Abstract（参考訳）: 大規模なクラス規模は、学校におけるパーソナライズされた学習に挑戦し、知的学習システムのような教育技術の使用を促す。 そこで我々は、好奇心駆動学習をモデル化するラーニングプログレス仮説(Learning Progress hypothesis)とマルチアームバンディット技術に基づく、ZPDESと呼ばれるAI駆動のパーソナライズシステムを提案する。 それは、各生徒の学習の進捗を最大化するエクササイズを列挙する。 これまでの研究では、手作りのカリキュラムと比較して学習力を高める効果が示されていたが、学生のモチベーションへの影響は未解明のままであった。 さらに、ZPDESは以前、好奇心を駆使した学習モデルの基礎と矛盾する機関の制限である、学生の選択を可能にする機能を欠いていた。 本研究では,ゲーミフィケーション要素としての選択の統合が,学習結果とモチベーションの両方にどのように影響するかを検討する。 対象は広範囲なフィールドスタディ (265 7-8歳児, RCT 設計) で, ZPDES を手作りカリキュラムと比較した。 その結果,ZPDESは学習性能と学習経験の両方を改善していることがわかった。 さらに、ZPDESに選択を追加することで、本質的なモチベーションが向上し、学習のメリットがさらに強化される。 対照的に、選択を固定された線形カリキュラムに組み込むことは、学習結果に悪影響を及ぼす。 これらの結果は,適応型パーソナライズされた学習システムと組み合わせることで,選択によって引き起こされる本質的な動機付け(ゲーミフィケーション)が有用であることが示唆された。 この洞察は、ゲーミフィケーション機能が教育技術でますます普及するにつれて重要である。

関連論文リスト

• Scaling of Search and Learning: A Roadmap to Reproduce o1 from Reinforcement Learning Perspective [77.94874338927492]
  OpenAIは、o1の背後にある主要な技術は強化学習であると主張している。 本稿では、強化学習の観点から、o1を達成するためのロードマップを分析する。
  論文  参考訳（メタデータ） (2024-12-18T18:24:47Z)
• 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)

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。