論文の概要: Analysis, Modeling and Design of Personalized Digital Learning Environment

• arxiv url: http://arxiv.org/abs/2405.10476v1
• Date: Fri, 17 May 2024 00:26:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-20 17:11:53.619189
• Title: Analysis, Modeling and Design of Personalized Digital Learning Environment
• Title（参考訳）: パーソナライズされたデジタル学習環境の解析・モデル化・設計
• Authors: Sanjaya Khanal, Shiva Raj Pokhrel,
• Abstract要約: 本研究は、革新的なプライベート・ラーニング・インテリジェンス(PLI)フレームワークによって強化された新しいデジタル・ラーニング・環境(DLE)を分析し、モデル化し、開発する。 我々のアプローチは、DLE能力の進歩において重要なものであり、学習者がパーソナライズされたリアルタイム学習体験に積極的に参加できるようにする。
• 参考スコア（独自算出の注目度）: 12.248184406275405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This research analyzes, models and develops a novel Digital Learning Environment (DLE) fortified by the innovative Private Learning Intelligence (PLI) framework. The proposed PLI framework leverages federated machine learning (FL) techniques to autonomously construct and continuously refine personalized learning models for individual learners, ensuring robust privacy protection. Our approach is pivotal in advancing DLE capabilities, empowering learners to actively participate in personalized real-time learning experiences. The integration of PLI within a DLE also streamlines instructional design and development demands for personalized teaching/learning. We seek ways to establish a foundation for the seamless integration of FL into learning systems, offering a transformative approach to personalized learning in digital environments. Our implementation details and code are made public.
• Abstract（参考訳）: 本研究は、革新的なプライベート・ラーニング・インテリジェンス(PLI)フレームワークによって強化された新しいデジタル・ラーニング・環境(DLE)を分析し、モデル化し、開発する。 提案したPLIフレームワークは、フェデレーション機械学習(FL)技術を利用して、個人学習者のためのパーソナライズされた学習モデルを自律的に構築し、継続的に洗練し、堅牢なプライバシ保護を保証する。 我々のアプローチは、DLE能力の進歩において重要なものであり、学習者がパーソナライズされたリアルタイム学習体験に積極的に参加できるようにする。 DLEへのPLIの統合は、パーソナライズされた教育/学習のための教育設計と開発要求を合理化する。 我々は、FLを学習システムにシームレスに統合するための基盤を確立する方法を模索し、デジタル環境におけるパーソナライズされた学習への変革的なアプローチを提供する。 実装の詳細とコードは公開されています。

関連論文リスト

• A Pre-Trained Graph-Based Model for Adaptive Sequencing of Educational Documents [8.986349423301863]
  大規模なオープンオンラインコース(MOOC)は、教育をよりアクセスしやすいものにするために大きく貢献している。 多くのMOOCは、個々の学習者の多様なニーズや背景に対処できない、厳格で一大の全ての構造を維持している。 本研究では,専門家のアノテーションを使わずに機能するパスパーソナライズ学習のための,新たなデータ効率フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-18T12:29:06Z)
• "Flipped" University: LLM-Assisted Lifelong Learning Environment [1.0742675209112622]
  本稿では,Large Language Models (LLM) が支援する自己構築型生涯学習環境の概念的枠組みを提案する。 提案する枠組みは、制度化された教育からパーソナライズされた自己駆動型学習への転換を強調する。 この論文は、グローバルな知識の整合性を支援することに焦点を当て、教育機関の「華やかな」大学への進化を構想している。
  論文  参考訳（メタデータ） (2024-09-02T13:27:36Z)
• Hierarchical and Decoupled BEV Perception Learning Framework for Autonomous Driving [52.808273563372126]
  本稿では,基本認識モジュールとユーザフレンドリなグラフィカルインタフェースのライブラリの提供を目的とした,新しい階層的BEV知覚パラダイムを提案する。 我々は,大規模公開データセットと合理化開発プロセスを効果的に活用するために,Pretrain-Finetune戦略を実行している。 また、マルチモジュールラーニング(MML)アプローチを提案し、複数のモデルの相乗的かつ反復的な訓練により性能を向上させる。
  論文  参考訳（メタデータ） (2024-07-17T11:17:20Z)
• Rethinking Machine Unlearning for Large Language Models [85.92660644100582]
  大規模言語モデル(LLM)の領域における機械学習の研究 このイニシアチブは、望ましくないデータの影響(機密情報や違法情報など)と関連するモデル機能を排除することを目的としている。
  論文  参考訳（メタデータ） (2024-02-13T20:51:58Z)
• A Comprehensive Exploration of Personalized Learning in Smart Education: From Student Modeling to Personalized Recommendations [19.064610936977402]
  中国、米国、欧州連合等はパーソナライズされた学習の重要性を推し進めてきた。 このレビューは、パーソナライズされた学習の現在の状況とその教育における重要な役割を包括的に分析する。
  論文  参考訳（メタデータ） (2024-01-15T08:49:25Z)
• Smart Transformation of EFL Teaching and Learning Approaches [0.0]
  論文はアニメの開発に焦点を当てている。 EFL Big Data Ecosystem - ビッグデータ,アナリティクス,アナリティクスをベースとするシステム。 機械学習とクラスタドメイン。 EFLの教育と学習内容。 最終的な目標は、機械学習を活用してカスタマイズされたコンテンツを作成することで、学習エクスペリエンスを最適化することである。
  論文  参考訳（メタデータ） (2023-06-25T22:16:59Z)
• 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)
• A Network Science Perspective to Personalized Learning [0.0]
  コンテンツ選択とマルチモーダルなエンゲージメントを提供する学習プラットフォームを用いて,学習目標の達成方法を検討する。 このフレームワークは、知識のネットワークによって支持される学習者のエンゲージメントとコンテンツ選択を提供することによって、経験を教えるのではなく、学習経験に注意を向ける。
  論文  参考訳（メタデータ） (2021-11-02T01:50:01Z)
• Learning Multi-Objective Curricula for Deep Reinforcement Learning [55.27879754113767]
  深部強化学習(DRL)のサンプル効率と最終性能を向上させるために,各種自動カリキュラム学習(ACL)手法が提案されている。 本稿では,多目的だがコヒーレントなカリキュラムを作成するための統合された自動カリキュラム学習フレームワークを提案する。 既存の手設計のカリキュラムパラダイムに加えて,抽象カリキュラムを学習するためのフレキシブルなメモリ機構を設計する。
  論文  参考訳（メタデータ） (2021-10-06T19:30:25Z)
• Learning by Distillation: A Self-Supervised Learning Framework for Optical Flow Estimation [71.76008290101214]
  DistillFlowは光の流れを学ぶための知識蒸留手法である。 KITTIとSintelの両方のデータセット上で、最先端の教師なし学習性能を実現する。 我々のモデルは、KITTI 2015ベンチマークにおけるすべての単分子的手法の中で、第1位にランクされ、Sintel Finalベンチマークで発表されたすべてのメソッドよりも優れています。
  論文  参考訳（メタデータ） (2021-06-08T09:13:34Z)
• Three Approaches for Personalization with Applications to Federated Learning [68.19709953755238]
  本稿では,パーソナライゼーションの体系的学習理論について述べる。 学習理論の保証と効率的なアルゴリズムを提供し、その性能を実証する。 全てのアルゴリズムはモデルに依存しず、任意の仮説クラスで機能する。
  論文  参考訳（メタデータ） (2020-02-25T01:36:43Z)

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。