論文の概要: Personalizing explanations of AI-driven hints to users' cognitive abilities: an empirical evaluation

• arxiv url: http://arxiv.org/abs/2403.04035v2
• Date: Sat, 9 Mar 2024 02:47:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-12 17:22:50.002692
• Title: Personalizing explanations of AI-driven hints to users' cognitive abilities: an empirical evaluation
• Title（参考訳）: ユーザの認知能力に対するAIによるヒントのパーソナライズの説明--実証的評価
• Authors: Vedant Bahel, Harshinee Sriram and Cristina Conati
• Abstract要約: 本稿では,生徒が学習を促進するためのヒントを正当化するために,知能学習システムが生み出す説明をパーソナライズすることを検討する。 このパーソナライゼーションは、認知と良心という2つの特性の低い学生を対象とし、これらの学生の理解を深めることを目的としている。
• 参考スコア（独自算出の注目度）: 0.7366405857677227
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We investigate personalizing the explanations that an Intelligent Tutoring System generates to justify the hints it provides to students to foster their learning. The personalization targets students with low levels of two traits, Need for Cognition and Conscientiousness, and aims to enhance these students' engagement with the explanations, based on prior findings that these students do not naturally engage with the explanations but they would benefit from them if they do. To evaluate the effectiveness of the personalization, we conducted a user study where we found that our proposed personalization significantly increases our target users' interaction with the hint explanations, their understanding of the hints and their learning. Hence, this work provides valuable insights into effectively personalizing AI-driven explanations for cognitively demanding tasks such as learning.
• Abstract（参考訳）: 本稿では,生徒が学習を促進するためのヒントを正当化するために,知能学習システムが生み出す説明をパーソナライズすることを検討する。 このパーソナライゼーションは、認知と良心という2つの特性の低い学生を対象とし、これらの学生が説明に自然に関与しないという以前の知見に基づいて、説明への関与を強化することを目的としている。 パーソナライゼーションの有効性を評価するために,提案するパーソナライゼーションにより,提案するパーソナライゼーションによって,対象ユーザのヒント説明,ヒントの理解,学習とのインタラクションが著しく向上することを示すユーザ調査を行った。 したがって、この研究はAIによる説明を効果的にパーソナライズするための貴重な洞察を提供する。

関連論文リスト

• Explainable Few-shot Knowledge Tracing [48.877979333221326]
  本稿では,学生の記録から学生の知識をトラッキングし,自然言語による説明を提供する認知誘導フレームワークを提案する。 3つの広く使われているデータセットによる実験結果から、LLMは競合する深層知識追跡手法に匹敵する、あるいは優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-05-23T10:07:21Z)
• Evaluating the Utility of Model Explanations for Model Development [54.23538543168767]
  機械学習モデル構築の実践シナリオにおいて、説明が人間の意思決定を改善するかどうかを評価する。 驚いたことに、サリエンシマップが提供されたとき、タスクが大幅に改善されたという証拠は見つからなかった。 以上の結果から,サリエンシに基づく説明における誤解の可能性と有用性について注意が必要であることが示唆された。
  論文  参考訳（メタデータ） (2023-12-10T23:13:23Z)
• Notion of Explainable Artificial Intelligence -- An Empirical Investigation from A Users Perspective [0.3069335774032178]
  本研究は、ユーザ中心の説明可能なAIを調査し、研究コンテキストとしてレコメンデーションシステムを検討することを目的とする。 我々は,推薦システムに関する質的データを収集するために,フォーカスグループインタビューを行った。 以上の結果から,エンドユーザーはオンデマンドの補足情報による非技術的かつ適切な説明を望んでいることが明らかとなった。
  論文  参考訳（メタデータ） (2023-11-01T22:20:14Z)
• Learning by Self-Explaining [23.420673675343266]
  我々は、自己説明による学習(LSX)と呼ばれる画像分類の文脈において、新しいワークフローを導入する。 LSXは、自己修復型AIと人間誘導型説明機械学習の側面を利用する。 本結果は,自己説明による学習による改善を,いくつかのレベルで示すものである。
  論文  参考訳（メタデータ） (2023-09-15T13:41:57Z)
• Can Language Models Teach Weaker Agents? Teacher Explanations Improve Students via Personalization [84.86241161706911]
  教師のLLMは、実際に生徒の推論に介入し、パフォーマンスを向上させることができることを示す。 また,マルチターンインタラクションでは,教師による説明が一般化され,説明データから学習されることを示す。 教師のミスアライメントが学生の成績をランダムな確率に低下させることを、意図的に誤解させることで検証する。
  論文  参考訳（メタデータ） (2023-06-15T17:27:20Z)
• Assisting Human Decisions in Document Matching [52.79491990823573]
  我々は,意思決定者のパフォーマンスを向上する支援情報の種類を評価するためのプロキシマッチングタスクを考案した。 ブラックボックスモデルによる説明を提供することで,マッチング作業におけるユーザの精度が低下することが判明した。 一方,タスク固有のデシラタに密接に対応するように設計されたカスタムメソッドは,ユーザのパフォーマンス向上に有効であることが判明した。
  論文  参考訳（メタデータ） (2023-02-16T17:45:20Z)
• Complementary Explanations for Effective In-Context Learning [77.83124315634386]
  大規模言語モデル (LLM) は、説明のインプロンプトから学習する際、顕著な能力を示した。 この研究は、文脈内学習に説明が使用されるメカニズムをよりよく理解することを目的としている。
  論文  参考訳（メタデータ） (2022-11-25T04:40:47Z)
• Counterfactual Explanations for Natural Language Interfaces [17.571511434899136]
  そこで本研究では,意味解析に基づく自然言語インタフェースの説明生成手法を提案する。 提案する目的を達成するために、発話を最小限に修正する方法をユーザーに説明するための、ポストホックな説明である反ファクト的説明に焦点をあてる。 特に,提案アルゴリズムは,目的達成のために保証された発話のパラフレーズを合成する。
  論文  参考訳（メタデータ） (2022-04-27T20:53:02Z)
• Explainable Student Performance Prediction With Personalized Attention for Explaining Why A Student Fails [0.5607676459156788]
  パーソナライズド・アテンション(ESPA)を用いた新しい説明可能な学生パフォーマンス予測手法を提案する。 BiLSTMアーキテクチャは、特定のパターンで経路内の意味情報を抽出する。 ESPAは、学生のパフォーマンス予測のための他の最先端モデルよりも一貫して優れている。
  論文  参考訳（メタデータ） (2021-10-15T08:45:43Z)
• Deep Discourse Analysis for Generating Personalized Feedback in Intelligent Tutor Systems [4.716555240531893]
  ITS(Intelligent Tutoring System)で、自動化されたパーソナライズされたフィードバックの作成を検討します。 我々のゴールは、学生のより優れた学習目標を達成するために、学生の回答の正しい概念と間違った概念を見極めることである。
  論文  参考訳（メタデータ） (2021-03-13T20:33:10Z)
• A Review on Intelligent Object Perception Methods Combining Knowledge-based Reasoning and Machine Learning [60.335974351919816]
  物体知覚はコンピュータビジョンの基本的なサブフィールドである。 最近の研究は、物体の視覚的解釈のインテリジェンスレベルを拡大するために、知識工学を統合する方法を模索している。
  論文  参考訳（メタデータ） (2019-12-26T13:26:49Z)

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。