論文の概要: Toward In-Context Teaching: Adapting Examples to Students' Misconceptions

• arxiv url: http://arxiv.org/abs/2405.04495v1
• Date: Tue, 7 May 2024 17:05:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-08 13:21:31.850935
• Title: Toward In-Context Teaching: Adapting Examples to Students' Misconceptions
• Title（参考訳）: インテクスト教育に向けて:学生の誤解に事例を適応させる
• Authors: Alexis Ross, Jacob Andreas,
• Abstract要約: 本稿ではAdapTと呼ばれる一連のモデルと評価手法を紹介する。 AToMは、学生の過去の信念を共同で推論し、将来の信念の正しさを最適化する適応教育の新しい確率論的モデルである。 本研究は,適応型学習課題の難しさと,それを解決するための学習適応モデルの可能性を両立させるものである。
• 参考スコア（独自算出の注目度）: 54.82965010592045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When a teacher provides examples for a student to study, these examples must be informative, enabling a student to progress from their current state toward a target concept or skill. Good teachers must therefore simultaneously infer what students already know and adapt their teaching to students' changing state of knowledge. There is increasing interest in using computational models, particularly large language models, as pedagogical tools. As students, language models in particular have shown a remarkable ability to adapt to new tasks given small numbers of examples. But how effectively can these models adapt as teachers to students of different types? To study this question, we introduce a suite of models and evaluation methods we call AdapT. AdapT has two components: (1) a collection of simulated Bayesian student models that can be used for evaluation of automated teaching methods; (2) a platform for evaluation with human students, to characterize the real-world effectiveness of these methods. We additionally introduce (3) AToM, a new probabilistic model for adaptive teaching that jointly infers students' past beliefs and optimizes for the correctness of future beliefs. In evaluations of simulated students across three learning domains (fraction arithmetic, English morphology, function learning), AToM systematically outperforms LLM-based and standard Bayesian teaching models. In human experiments, both AToM and LLMs outperform non-adaptive random example selection. Our results highlight both the difficulty of the adaptive teaching task and the potential of learned adaptive models for solving it.
• Abstract（参考訳）: 教師が生徒に学習の例を提供する場合、これらの例は情報的であり、生徒が現在の状態から目標となる概念やスキルへと進むことを可能にする必要がある。 良き教師は、生徒が既に知っていることを同時に推測し、その教えを生徒の知識の変化に適応させなければならない。 教育ツールとして計算モデル、特に大きな言語モデルを使うことへの関心が高まっている。 学生として、特に言語モデルは少数の例を挙げると、新しいタスクに適応する顕著な能力を示している。 しかし、これらのモデルは、異なるタイプの生徒に教師として効果的に適応できるのだろうか? そこで本研究では,AdapTと呼ばれるモデルと評価手法を紹介する。 AdapT は,(1) 自動指導法の評価に使用できるベイズ学生モデルの集合体,(2) 人間の学生による評価のためのプラットフォームにより,これらの手法の現実的な効果を特徴づける。 さらに, 学習者の過去の信念を共同で推論し, 将来の信念の正しさを最適化する適応教育の新しい確率モデルである (3) ATOM を導入する。 3つの学習領域(屈折算術、英語形態学、関数学習)にわたるシミュレーションされた学生の評価において、ATOMはLLMベースおよび標準ベイズ教育モデルより体系的に優れている。 人間実験では、AToMとLLMはどちらも非適応的ランダムなサンプル選択よりも優れている。 本研究は,適応型学習課題の難しさと,それを解決するための学習適応モデルの可能性を両立させるものである。

関連論文リスト

• LLM-based Cognitive Models of Students with Misconceptions [55.29525439159345]
  本稿では,この2つの要件を満たすためにLLM(Large Language Models)を命令調整できるかどうかを検討する。 真正な学生ソリューションパターンを反映したデータセットを生成する新しいPythonライブラリであるMalAlgoPyを紹介する。 我々の洞察は、AIに基づく学生モデルの理解を高め、効果的な適応学習システムへの道を開く。
  論文  参考訳（メタデータ） (2024-10-16T06:51:09Z)
• Interactive DualChecker for Mitigating Hallucinations in Distilling Large Language Models [7.632217365130212]
  大規模言語モデル(LLM)は、さまざまな機械学習(ML)タスクにまたがる例外的な機能を示している。 これらのモデルは、特に不完全な知識を持つ領域において幻覚を生み出すことができる。 幻覚を緩和し,教師モデルと学生モデルの両方のパフォーマンスを向上させるために設計された,革新的なフレームワークであるDualCheckerを紹介する。
  論文  参考訳（メタデータ） (2024-08-22T12:04:04Z)
• YODA: Teacher-Student Progressive Learning for Language Models [82.0172215948963]
  本稿では,教師が指導するプログレッシブ・ラーニング・フレームワークであるYodaを紹介する。 モデルファインチューニングの有効性を向上させるために,教師の教育過程をエミュレートする。 実験の結果, YODAのデータによるLLaMA2のトレーニングにより, SFTは大幅に向上した。
  論文  参考訳（メタデータ） (2024-01-28T14:32:15Z)
• L2T-DLN: Learning to Teach with Dynamic Loss Network [4.243592852049963]
  既存の研究では、教師の反復モデル(1)は、学生モデルの現在の状態に基づいて損失関数を単に決定するだけである。 本稿では,まず,記憶単位を持つ教師モデルを設計し,時間的タスクとして損失調整を定式化する。 そして、ダイナミックな損失ネットワークにより、損失の状態を利用して、教師と生徒モデルとの相互作用を強化する教師の学習を支援する。
  論文  参考訳（メタデータ） (2023-10-30T07:21:40Z)
• Adaptive and Personalized Exercise Generation for Online Language Learning [39.28263461783446]
  オンライン言語学習のための適応的でパーソナライズされたエクササイズ生成の新しい課題について研究する。 学習履歴から各生徒の進化した知識状態を推定する知識追跡モデルを組み合わせる。 我々はDuolingoの実際の学習者インタラクションデータに基づいてモデルをトレーニングし、評価する。
  論文  参考訳（メタデータ） (2023-06-04T20:18:40Z)
• Distantly-Supervised Named Entity Recognition with Adaptive Teacher Learning and Fine-grained Student Ensemble [56.705249154629264]
  NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。 本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。 微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
  論文  参考訳（メタデータ） (2022-12-13T12:14:09Z)
• RLTutor: Reinforcement Learning Based Adaptive Tutoring System by Modeling Virtual Student with Fewer Interactions [10.34673089426247]
  本稿では,学生の仮想モデルを構築し,指導戦略を最適化する枠組みを提案する。 この結果は,eラーニングシステムにおける理論的指導最適化と実践的応用のバッファとして機能する。
  論文  参考訳（メタデータ） (2021-07-31T15:42:03Z)
• Learning by Teaching, with Application to Neural Architecture Search [10.426533624387305]
  学習による学習(LBT)と呼ばれる新しいMLフレームワークを提案する。 lbtでは、教師モデルが生徒モデルにうまく学ぶように教えることで自己改善する。 バリデーションデータセットで生徒がどのように振る舞うかに基づいて、教師はモデルを再学習し、生徒が優れたバリデーション性能に達するまで再指導する。
  論文  参考訳（メタデータ） (2021-03-11T23:50:38Z)
• Reinforced Multi-Teacher Selection for Knowledge Distillation [54.72886763796232]
  知識蒸留はモデル圧縮の一般的な方法です。 現在の方法は、蒸留全体の教師モデルに固定重量を割り当てます。 既存のメソッドのほとんどは、すべての教師モデルに等しい重みを割り当てます。 本論文では,学習例の複雑性や生徒モデル能力の違いから,教師モデルとの違いを学習することで,生徒モデルの蒸留性能の向上が期待できることを考察する。
  論文  参考訳（メタデータ） (2020-12-11T08:56:39Z)
• Learning to Reweight with Deep Interactions [104.68509759134878]
  本稿では,教師モデルに内部状態を提供する改良型データ再重み付けアルゴリズムを提案する。 クリーン/ノイズラベルとニューラルマシン翻訳を用いた画像分類実験は、我々のアルゴリズムが従来の手法よりも大幅に改善されていることを実証的に実証した。
  論文  参考訳（メタデータ） (2020-07-09T09:06:31Z)

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。