論文の概要: Finnish primary school students' conceptions of machine learning
- arxiv url: http://arxiv.org/abs/2402.09582v1
- Date: Wed, 14 Feb 2024 21:06:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-16 18:09:12.782342
- Title: Finnish primary school students' conceptions of machine learning
- Title(参考訳): フィンランドの小学校学生の機械学習概念
- Authors: Pekka Mertala, Janne Fagerlund, Jukka Lehtoranta, Emilia Mattila,
Tiina Korhonen
- Abstract要約: 本研究は,小学校の学生がMLについてどのような概念を持っているかを検討する。
概念的手がかりがなければ、子どものMLの概念は様々であり、MLのような誤解を含むこともある。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Objective This study investigates what kind of conceptions primary school
students have about ML if they are not conceptually "primed" with the idea that
in ML, humans teach computers. Method Qualitative survey responses from 197
Finnish primary schoolers were analyzed via an abductive method. Findings We
identified three partly overlapping ML conception categories, starting from the
most accurate one: ML is about teaching machines (34%), ML is about coding
(7.6%), and ML is about learning via or about machines (37.1%). Implications
The findings suggest that without conceptual clues, children's conceptions of
ML are varied and may include misconceptions such as ML is about learning via
or about machines. The findings underline the importance of clear and
systematic use of key concepts in computer science education. Besides
researchers, this study offers insights for teachers, teacher educators,
curriculum developers, and policymakers. Method Qualitative survey responses
from 197 Finnish primary schoolers were analyzed via an abductive method.
Findings We identified three partly overlapping ML conception categories,
starting from the most accurate one: ML is about teaching machines (34%), ML is
about coding (7.6%), and ML is about learning via or about machines (37.1%).
Implications The findings suggest that without conceptual clues, children's
conceptions of ML are varied and may include misconceptions such as ML is about
learning via or about machines. The findings underline the importance of clear
and systematic use of key concepts in computer science education. Besides
researchers, this study offers insights for teachers, teacher educators,
curriculum developers, and policymakers.
- Abstract(参考訳): 目的 本稿は、小学校の学生がMLについてどのような概念を持っているかについて、人間がコンピュータを教えるという考えを概念的に「プリメド」していないかを検討する。
フィンランドの小学校197人の質的調査回答を,退行法を用いて分析した。
MLは学習機械(34%)、MLはコーディング(7.6%)、MLは学習機械(37.1%)である。
意味 この知見は, 概念的手がかりがなければ, 子どものML概念は様々であり, MLのような誤解を含むこともあることを示唆している。
この発見は、コンピュータ科学教育における重要な概念の明確かつ体系的な利用の重要性を強調している。
研究者の他に、この研究は教師、教師教育者、カリキュラム開発者、政策立案者に対する洞察を提供する。
フィンランドの小学校197人の質的調査回答を,退行法を用いて分析した。
MLは学習機械(34%)、MLはコーディング(7.6%)、MLは学習機械(37.1%)である。
意味 この知見は, 概念的手がかりがなければ, 子どものML概念は様々であり, MLのような誤解を含むこともあることを示唆している。
この発見は、コンピュータ科学教育における重要な概念の明確かつ体系的な利用の重要性を強調している。
研究者の他に、この研究は教師、教師教育者、カリキュラム開発者、政策立案者に対する洞察を提供する。
関連論文リスト
- MLOps Spanning Whole Machine Learning Life Cycle: A Survey [4.910132890978536]
Google AlphaGosの勝利は、機械学習(ML)の研究と開発を大いに動機付け、加速させた。
本稿では,既存のML技術の現状を包括的調査により明らかにすることを目的としている。
論文 参考訳(メタデータ) (2023-04-13T04:12:38Z) - COPEN: Probing Conceptual Knowledge in Pre-trained Language Models [60.10147136876669]
概念的知識は人間の認知と知識基盤の基本である。
既存の知識探索作業は、事前訓練された言語モデル(PLM)の事実知識のみに焦点を当て、概念知識を無視する。
PLMが概念的類似性によってエンティティを編成し、概念的特性を学習し、コンテキスト内でエンティティを概念化するかどうかを調査する3つのタスクを設計する。
タスクのために、393のコンセプトをカバーする24kのデータインスタンスを収集、注釈付けします。
論文 参考訳(メタデータ) (2022-11-08T08:18:06Z) - Lost in Translation: Reimagining the Machine Learning Life Cycle in
Education [12.802237736747077]
機械学習(ML)技術は、教育においてますます普及している。
ML技術が長年の教育原則と目標をどのように支えているかを調べる必要がある。
本研究では,教育専門家へのインタビューから得られた質的な洞察をもとに,この複雑な景観を考察した。
論文 参考訳(メタデータ) (2022-09-08T17:14:01Z) - Self-directed Machine Learning [86.3709575146414]
教育科学において、自己指導型学習は受動的教師指導型学習よりも効果的であることが示されている。
本稿では,自己指向機械学習(SDML)の基本概念を紹介し,SDMLのためのフレームワークを提案する。
提案したSDMLプロセスは,自己タスク選択,自己データ選択,自己モデル選択,自己最適化戦略選択,自己評価基準選択の恩恵を受ける。
論文 参考訳(メタデータ) (2022-01-04T18:32:06Z) - Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。
また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
論文 参考訳(メタデータ) (2021-11-28T14:24:52Z) - Declarative Machine Learning Systems [7.5717114708721045]
機械学習(ML)は、学術的な取り組みから、コンピューティングのほぼすべての側面で採用されている普及した技術へと移行してきた。
近年の自然科学におけるMLの適用の成功により、MLは人類が直面する最も困難な現実世界問題に対処するために利用できることが明らかとなった。
MLシステムの次の波は、おそらくコーディングスキルなしで、より多くの人が同じタスクを実行できると信じています。
論文 参考訳(メタデータ) (2021-07-16T23:57:57Z) - ML-Quest: A Game for Introducing Machine Learning Concepts to K-12
Students [2.2559617939136505]
3つの機械学習(ML)概念の概念的概要を提供する3DビデオゲームであるML-Questを提案する。
このゲームは,TAM(Technology Acceptance Model)モデルを用いて,その有用性とプレイヤエクスペリエンスについて,主に評価されている。
参加者の約70%はML-Questに同意するか、あるいは強く同意している。
論文 参考訳(メタデータ) (2021-07-13T16:05:01Z) - Pitfalls of Explainable ML: An Industry Perspective [29.49574255183219]
説明は機械学習(ML)システムの望ましい属性の中核に位置する。
説明可能なMLの目標は、さまざまな利害関係者のニーズを守りながら、直感的にMLシステムの予測を説明することである。
論文 参考訳(メタデータ) (2021-06-14T21:05:05Z) - Understanding the Usability Challenges of Machine Learning In
High-Stakes Decision Making [67.72855777115772]
機械学習(ML)は、多種多様な成長を続ける一連のドメインに適用されている。
多くの場合、MLやデータサイエンスの専門知識を持たないドメインの専門家は、ML予測を使用してハイステークな意思決定を行うように求められます。
児童福祉スクリーニングにおけるMLユーザビリティの課題について,児童福祉スクリーニング者との一連のコラボレーションを通じて検討する。
論文 参考訳(メタデータ) (2021-03-02T22:50:45Z) - An Information-Theoretic Approach to Personalized Explainable Machine
Learning [92.53970625312665]
本稿では,予測とユーザ知識のための簡易確率モデルを提案する。
説明と予測の間の条件付き相互情報による説明の効果を定量化する。
論文 参考訳(メタデータ) (2020-03-01T13:06:29Z) - Explainable Active Learning (XAL): An Empirical Study of How Local
Explanations Impact Annotator Experience [76.9910678786031]
本稿では、最近急増している説明可能なAI(XAI)のテクニックをアクティブラーニング環境に導入することにより、説明可能なアクティブラーニング(XAL)の新たなパラダイムを提案する。
本研究は,機械教育のインタフェースとしてのAI説明の利点として,信頼度校正を支援し,リッチな形式の教示フィードバックを可能にすること,モデル判断と認知作業負荷による潜在的な欠点を克服する効果を示す。
論文 参考訳(メタデータ) (2020-01-24T22:52:18Z)
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。