論文の概要: HTN-Based Tutors: A New Intelligent Tutoring Framework Based on Hierarchical Task Networks

• arxiv url: http://arxiv.org/abs/2405.14716v2
• Date: Fri, 24 May 2024 02:38:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-27 12:41:46.107683
• Title: HTN-Based Tutors: A New Intelligent Tutoring Framework Based on Hierarchical Task Networks
• Title（参考訳）: HTNベースのチュータ:階層型タスクネットワークに基づく新しいインテリジェントチュータフレームワーク
• Authors: Momin N. Siddiqui, Adit Gupta, Jennifer M. Reddig, Christopher J. MacLellan,
• Abstract要約: 階層型タスクネットワーク(HTN)を用いたエキスパートモデルを表現するインテリジェントなチュータフレームワークであるHTNベースのチュータを提案する。 さまざまな問題解決戦略の柔軟なエンコーディングを可能にし、階層的な知識組織によるさらなるメリットを提供する。
• 参考スコア（独自算出の注目度）: 0.2596057709422204
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intelligent tutors have shown success in delivering a personalized and adaptive learning experience. However, there exist challenges regarding the granularity of knowledge in existing frameworks and the resulting instructions they can provide. To address these issues, we propose HTN-based tutors, a new intelligent tutoring framework that represents expert models using Hierarchical Task Networks (HTNs). Like other tutoring frameworks, it allows flexible encoding of different problem-solving strategies while providing the additional benefit of a hierarchical knowledge organization. We leverage the latter to create tutors that can adapt the granularity of their scaffolding. This organization also aligns well with the compositional nature of skills.
• Abstract（参考訳）: インテリジェントな家庭教師は、パーソナライズされた適応的な学習体験を提供することに成功した。 しかし、既存のフレームワークにおける知識の粒度と、それらが提供するインストラクションに関する課題がある。 これらの課題に対処するために,階層型タスクネットワーク(HTN)を用いたエキスパートモデルを表現するインテリジェントなチュータフレームワークであるHTNベースのチュータを提案する。 他のチューターフレームワークと同様に、さまざまな問題解決戦略の柔軟なエンコーディングを可能にし、階層的な知識組織によるさらなるメリットを提供する。 私たちは後者を活用して、足場の粒度に適応できるチューターを作成します。 この組織は、スキルの構成的性質ともよく一致している。

関連論文リスト

• Reinforcement Learning with Options and State Representation [105.82346211739433]
  この論文は、強化学習分野を探求し、改良された手法を構築することを目的としている。 階層的強化学習(Hierarchical Reinforcement Learning)として知られる階層的な方法で学習タスクを分解することで、そのような目標に対処する。
  論文  参考訳（メタデータ） (2024-03-16T08:30:55Z)
• Co-Supervised Learning: Improving Weak-to-Strong Generalization with Hierarchical Mixture of Experts [81.37287967870589]
  我々は,一貫した生徒を統括する,一貫した一貫した教師ではなく,多様な専門教師の集合を活用することを提案する。 我々のアプローチは、古典的な階層的な専門家の混合に似ている。 提案手法は,OpenAIの弱強ベンチマークと追加のマルチドメインデータセットを用いて,視覚認識タスクにより検証する。
  論文  参考訳（メタデータ） (2024-02-23T18:56:11Z)
• Hierarchical Empowerment: Towards Tractable Empowerment-Based Skill Learning [65.41865750258775]
  汎用エージェントは、大量のスキルのレパートリーを必要とする。 我々は、コンピューティングのエンパワーメントをより魅力的にする新しいフレームワーク、階層エンパワーメントを導入します。 一般的なアリナビゲーション領域では、我々の4つのレベルエージェントは、以前の作業よりも2桁大きい表面積をカバーするスキルを学ぶことができる。
  論文  参考訳（メタデータ） (2023-07-06T02:27:05Z)
• Hierarchical Deep Counterfactual Regret Minimization [53.86223883060367]
  本稿では,大規模な状態空間や深部ゲームツリーを含むタスクにおいて,学習効率を向上させる革新的な手法であるDeep CFRの最初の階層バージョンを紹介する。 HDCFRのこれまでの研究よりも顕著な利点は、事前に定義された(人間的な)専門知識による学習の促進と、同様のタスクに移行可能なスキルの獲得を促進する能力である。
  論文  参考訳（メタデータ） (2023-05-27T02:05:41Z)
• CLASS: A Design Framework for building Intelligent Tutoring Systems based on Learning Science principles [25.90420385230675]
  本稿では,高性能大規模言語モデル(LLM)を利用した高度知能チューニングシステム(ITS)を構築するためのフレームワークを提案する。 CLASSフレームワークには本質的な問題解決戦略が備わっており、教師のような段階的な指導を学生に提供することができる。 我々は、CLASSフレームワークを用いて学習し、大学レベルの生物コンテンツに焦点をあてた概念実証ITS(SPOCK)を提案する。
  論文  参考訳（メタデータ） (2023-05-22T17:35:05Z)
• Composing Task Knowledge with Modular Successor Feature Approximators [60.431769158952626]
  本稿では,新しいニューラルネットワークアーキテクチャ "Modular Successor Feature Approximator" (MSFA) を提案する。 MSFAは、SFやモジュールアーキテクチャを学ぶためのベースラインアーキテクチャと比較して、より一般化することができる。
  論文  参考訳（メタデータ） (2023-01-28T23:04:07Z)
• Learning Good Features to Transfer Across Tasks and Domains [16.05821129333396]
  まず、与えられたドメイン内のタスク固有の深い機能間のマッピングを学習することで、タスク間でそのような知識を共有できることを示します。 そして、ニューラルネットワークによって実装されたこのマッピング関数が、新しい未知の領域に一般化可能であることを示す。
  論文  参考訳（メタデータ） (2023-01-26T18:49:39Z)
• Teacher-Student Architecture for Knowledge Learning: A Survey [16.896254271708738]
  学生ネットワークは、ディープ・教師ネットワークと同等のパフォーマンスを達成できる。 教師-学生アーキテクチャの助けを借りて、現在の研究は複数の知識学習目標を達成することができる。
  論文  参考訳（メタデータ） (2022-10-28T01:11:52Z)
• Learning Knowledge Representation with Meta Knowledge Distillation for Single Image Super-Resolution [82.89021683451432]
  単一画像超解像課題に対する教師/学生アーキテクチャに基づくモデルに依存しないメタ知識蒸留法を提案する。 種々の単一画像超解像データセットを用いた実験により,提案手法は既存の知識表現関連蒸留法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-07-18T02:41:04Z)
• Learning to Find Proofs and Theorems by Learning to Refine Search Strategies [0.9137554315375919]
  AlphaZeroスタイルのエージェントは、非決定論的プログラムとして表される高度な専門家戦略を洗練するために自己学習を行っている。 類似教師エージェントは、学習者にとって適切な関連性と難易度のあるタスクを生成するための自己学習を行う。
  論文  参考訳（メタデータ） (2022-05-27T20:48:40Z)
• Learn to Bind and Grow Neural Structures [0.3553493344868413]
  我々は、新しいタスクのためのニューラルアーキテクチャを漸進的に学習する新しいフレームワーク、Learning to Bind and Growを紹介する。 私たちのアプローチの中心は、共有マルチタスクアーキテクチャ空間の新しい、解釈可能な、パラメータ化です。 連続学習ベンチマークの実験により、我々のフレームワークは、以前の拡張ベースのアプローチと相容れない性能を示した。
  論文  参考訳（メタデータ） (2020-11-21T09:40:26Z)

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。