Fugu-MT 論文翻訳(概要): Use of recommendation models to provide support to dyslexic students

論文の概要: Use of recommendation models to provide support to dyslexic students

arxiv url: http://arxiv.org/abs/2403.14710v1
Date: Mon, 18 Mar 2024 12:12:38 GMT
ステータス: 処理完了
システム内更新日: 2024-03-25 21:31:40.892065
Title: Use of recommendation models to provide support to dyslexic students
Title（参考訳）: ディプレックス学生支援のためのレコメンデーションモデルの利用
Authors: Gianluca Morciano, José Manuel Alcalde-Llergo, Andrea Zingoni, Enrique Yeguas-Bolivar, Juri Taborri, Giuseppe Calabrò,
Abstract要約: 本研究は, ディプレックス学生に最も適した支援ツールとして, AIを活用する可能性について検討した。我々は,3つの協調フィルタリング推薦モデルを訓練し,1237名の学生の大規模データベース上で実験を行った。その結果,レコメンデーションシステムは,全員に最適なヘルプツールや戦略を提案する上で極めて有効であることがわかった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Dyslexia is the most widespread specific learning disorder and significantly impair different cognitive domains. This, in turn, negatively affects dyslexic students during their learning path. Therefore, specific support must be given to these students. In addition, such a support must be highly personalized, since the problems generated by the disorder can be very different from one to another. In this work, we explored the possibility of using AI to suggest the most suitable supporting tools for dyslexic students, so as to provide a targeted help that can be of real utility. To do this, we relied on recommendation algorithms, which are a branch of machine learning, that aim to detect personal preferences and provide the most suitable suggestions. We hence implemented and trained three collaborative-filtering recommendation models, namely an item-based, a user-based and a weighted-hybrid model, and studied their performance on a large database of 1237 students' information, collected with a self-evaluating questionnaire regarding all the most used supporting strategies and digital tools. Each recommendation model was tested with three different similarity metrics, namely Pearson correlation, Euclidean distance and Cosine similarity. The obtained results showed that a recommendation system is highly effective in suggesting the optimal help tools/strategies for everyone. This demonstrates that the proposed approach is successful and can be used as a new and effective methodology to support students with dyslexia.
Abstract（参考訳）: dyslexiaは、最も広範囲にわたる特定の学習障害であり、認知領域に深刻な障害がある。これは、学習過程において、ディプレックスの学生に悪影響を及ぼす。したがって、これらの学生に特定の支援を与える必要がある。さらに、障害によって生じる問題は、互いに大きく異なる可能性があるため、このようなサポートは高度にパーソナライズされなければならない。本研究では, ディプレックスの学生に最も適した支援ツールを提案するために, AIを活用する可能性について検討した。これを実現するために、私たちは、個人の好みを検出し、最も適切な提案を提供することを目的とした、機械学習の分野であるレコメンデーションアルゴリズムを頼りにしました。そこで我々は,3つの協調フィルタリング推薦モデル,すなわちアイテムベース,ユーザベース,および重み付きハイブリッドモデルを実装し,1237名の学生の情報からなる大規模データベース上で,最も多く利用されている支援戦略とデジタルツールに関する自己評価質問紙を用いて,その性能について検討した。各レコメンデーションモデルは、ピアソン相関、ユークリッド距離、コサイン類似度という3つの異なる類似度指標で試験された。その結果,レコメンデーションシステムは,全員に最適なヘルプツールや戦略を提案する上で極めて有効であることがわかった。このことは、提案手法が成功し、ジストレキシーの学生を支援するための新しい効果的な方法として利用できることを示している。

関連論文リスト

CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence [55.21518669075263]
CURE4Recは、レコメンデーションアンラーニング評価のための最初の包括的なベンチマークである。さまざまな影響レベルのデータに対する推薦公正性と堅牢性に対するアンラーニングの影響について検討する。
論文参考訳（メタデータ） (2024-08-26T16:21:50Z)
Dual Test-time Training for Out-of-distribution Recommender System [91.15209066874694]
DT3ORと呼ばれるOODレコメンデーションのための新しいDual Test-Time-Trainingフレームワークを提案する。 DT3ORでは、テスト期間中にモデル適応機構を導入し、リコメンデーションモデルを慎重に更新する。我々の知る限りでは、テストタイムトレーニング戦略を通じてOODレコメンデーションに対処する最初の研究である。
論文参考訳（メタデータ） (2024-07-22T13:27:51Z)
Evaluating and Optimizing Educational Content with Large Language Model Judgments [52.33701672559594]
言語モデル(LM)を教育専門家として活用し,学習結果に対する様々な指導の影響を評価する。本稿では,一方のLMが他方のLMの判断を報酬関数として利用して命令材料を生成する命令最適化手法を提案する。ヒトの教師によるこれらのLM生成ワークシートの評価は、LM判定と人間の教師の嗜好との間に有意な整合性を示す。
論文参考訳（メタデータ） (2024-03-05T09:09:15Z)
Optimising Human-AI Collaboration by Learning Convincing Explanations [62.81395661556852]
本研究では,人間による意思決定によって安全を保ちながら協調的なシステムを構築する手法を提案する。 Ardentは、説明のための個人の好みに適応することで、効率的で効果的な意思決定を可能にする。
論文参考訳（メタデータ） (2023-11-13T16:00:16Z)
Adapting Triplet Importance of Implicit Feedback for Personalized Recommendation [43.85549591503592]
インプシットフィードバックは、パーソナライズされたレコメンデーションサービスを開発するために頻繁に使用される。本稿では,Triplet Importance Learning (TIL) という新たなトレーニングフレームワークを提案する。提案手法は,トップkレコメンデーションのRecall@kにおいて,既存モデルよりも3～21%優れていた。
論文参考訳（メタデータ） (2022-08-02T19:44:47Z)
Enhancing a Student Productivity Model for Adaptive Problem-Solving Assistance [7.253181280137071]
本稿では,学生が支援の必要性を予測するためにヒントを取り入れた新しいデータ駆動型アプローチを提案する。このような政策が学生のトレーニング時間を大幅に節約できることを示す実証的証拠を示す。このアプローチの恩恵を受けることができるドメインと、採用の要件についての提案を締めくくります。
論文参考訳（メタデータ） (2022-07-07T00:41:00Z)
Towards Fewer Labels: Support Pair Active Learning for Person Re-identification [5.076419064097734]
教師付き学習に基づく人物再識別(re-id)は、大量の手動ラベル付きデータを必要とする。大規模人物識別のための手動ラベリングコストを低減させる支援ペアアクティブラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2022-04-21T10:10:18Z)
RGRecSys: A Toolkit for Robustness Evaluation of Recommender Systems [100.54655931138444]
複数の次元を包含するレコメンダシステムに対して,ロバスト性に関するより包括的視点を提案する。本稿では、RecSys用のロバストネス評価ツールキットRobustness Gymを紹介し、リコメンダシステムモデルのロバストネスを迅速かつ均一に評価できるようにする。
論文参考訳（メタデータ） (2022-01-12T10:32:53Z)
Extending the Hint Factory for the assistance dilemma: A novel, data-driven HelpNeed Predictor for proactive problem-solving help [6.188683567894372]
非生産的な問題解決のステップを分類し、予測し、予防するための、データ駆動型の一連の手法を提案する。本稿では,学生が非生産的になる確率を決定するために,事前の学生データを用いたHelpNeed分類を提案する。我々は、これらのHelpNeedメソッドが、他のよく構造化されたオープンエンドドメインにどのように適用できるかという提案で締めくくった。
論文参考訳（メタデータ） (2020-10-08T17:04:03Z)
Presentation of a Recommender System with Ensemble Learning and Graph Embedding: A Case on MovieLens [3.8848561367220276]
グループ分類とアンサンブル学習技術は,推薦システムにおける予測精度を高めるために用いられた。 The study was performed on the MovieLens datasets, and the obtained results showed the high efficiency of the present method。
論文参考訳（メタデータ） (2020-07-15T12:52:15Z)

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。