論文の概要: When Generative AI Meets Workplace Learning: Creating A Realistic & Motivating Learning Experience With A Generative PCA
- arxiv url: http://arxiv.org/abs/2405.15561v1
- Date: Fri, 24 May 2024 13:49:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-27 13:59:53.544922
- Title: When Generative AI Meets Workplace Learning: Creating A Realistic & Motivating Learning Experience With A Generative PCA
- Title(参考訳): ジェネレーティブAIが職場学習と出会う: ジェネレーティブPCAでリアルでモチベーションのある学習体験を作る
- Authors: Andreas Bucher, Birgit Schenk, Mateusz Dolata, Gerhard Schwabe,
- Abstract要約: 本稿では,ジェネレーティブPCA(GenPCA)を用いた組織コミュニケーション訓練について述べる。
評価は有望な結果を示している: エージェントは、従業員の間で肯定的に認識され、自己決定学習の改善に寄与した。
我々は、GenPCAが支援する実践的手法と、そのような職場学習エージェントの改善の可能性について提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Workplace learning is used to train employees systematically, e.g., via e-learning or in 1:1 training. However, this is often deemed ineffective and costly. Whereas pure e-learning lacks the possibility of conversational exercise and personal contact, 1:1 training with human instructors involves a high level of personnel and organizational costs. Hence, pedagogical conversational agents (PCAs), based on generative AI, seem to compensate for the disadvantages of both forms. Following Action Design Research, this paper describes an organizational communication training with a Generative PCA (GenPCA). The evaluation shows promising results: the agent was perceived positively among employees and contributed to an improvement in self-determined learning. However, the integration of such agent comes not without limitations. We conclude with suggestions concerning the didactical methods, which are supported by a GenPCA, and possible improvements of such an agent for workplace learning.
- Abstract(参考訳): 職場学習は、例えば、eラーニングや1:1のトレーニングを通じて、従業員を体系的に訓練するために使用される。
しかし、これはしばしば非効率で費用がかかると見なされる。
純粋なeラーニングは、会話の練習や個人的な接触の可能性を欠いているが、人間のインストラクターとの1:1のトレーニングには、高いレベルの人員と組織的コストが伴う。
したがって、生成的AIに基づく教育的会話エージェント(PCAs)は、両方の形態の欠点を補うように思われる。
本稿では,Action Design Researchに続いて,ジェネレーティブPCA(GenPCA)を用いた組織コミュニケーショントレーニングについて述べる。
評価は有望な結果を示している: エージェントは、従業員の間で肯定的に認識され、自己決定学習の改善に寄与した。
しかし、そのようなエージェントの統合には制限がない。
我々は、GenPCAが支援する実践的手法と、そのような職場学習エージェントの改善の可能性について提案する。
関連論文リスト
- BoilerTAI: A Platform for Enhancing Instruction Using Generative AI in Educational Forums [0.0]
本稿では,Generative AI(GenAI)とオンライン教育フォーラムをシームレスに統合する,実用的でスケーラブルなプラットフォームについて述べる。
このプラットフォームは、学生ポストとLarge Language Model(LLM)との対話を円滑に進めることによって、指導スタッフが反応を効率的に管理し、洗練し、承認することを可能にする。
論文 参考訳(メタデータ) (2024-09-20T04:00:30Z) - GLIDE-RL: Grounded Language Instruction through DEmonstration in RL [7.658523833511356]
自然言語を基盤とした効率的な強化学習(RL)エージェントの訓練は、長年にわたる課題である。
本稿では,教師-教師-学生のカリキュラム学習フレームワークを導入した新しいアルゴリズム,GLIDE-RL(GLIDE-RL)を提案する。
この多エージェントフレームワークでは、教師と学生エージェントは、生徒の現在のスキルレベルに基づいて同時に学習する。
論文 参考訳(メタデータ) (2024-01-03T17:32:13Z) - Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である
本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
論文 参考訳(メタデータ) (2023-12-22T17:57:57Z) - Real-time Addressee Estimation: Deployment of a Deep-Learning Model on
the iCub Robot [52.277579221741746]
住所推定は、社会ロボットが人間とスムーズに対話するために必要なスキルである。
人間の知覚スキルにインスパイアされたディープラーニングモデルは、iCubロボットに設計、訓練、デプロイされる。
本研究では,人間-ロボットのリアルタイムインタラクションにおいて,そのような実装の手順とモデルの性能について述べる。
論文 参考訳(メタデータ) (2023-11-09T13:01:21Z) - Progressively Efficient Learning [58.6490456517954]
我々はCEIL(Communication-Efficient Interactive Learning)という新しい学習フレームワークを開発した。
CEILは、学習者と教師がより抽象的な意図を交換することで効率的にコミュニケーションする人間のようなパターンの出現につながる。
CEILで訓練されたエージェントは、新しいタスクを素早く習得し、非階層的で階層的な模倣学習を、絶対的な成功率で最大50%、20%上回った。
論文 参考訳(メタデータ) (2023-10-13T07:52:04Z) - Towards Effective Human-AI Decision-Making: The Role of Human Learning
in Appropriate Reliance on AI Advice [3.595471754135419]
参加者100名を対象にした実験において,学習と適切な信頼の関係を示す。
本研究は,人間とAIの意思決定を効果的に設計するために,信頼度を分析し,意味を導き出すための基本的な概念を提供する。
論文 参考訳(メタデータ) (2023-10-03T14:51:53Z) - A Reinforcement Learning-assisted Genetic Programming Algorithm for Team
Formation Problem Considering Person-Job Matching [70.28786574064694]
解の質を高めるために強化学習支援遺伝的プログラミングアルゴリズム(RL-GP)を提案する。
効率的な学習を通じて得られる超ヒューリスティックなルールは、プロジェクトチームを形成する際の意思決定支援として利用することができる。
論文 参考訳(メタデータ) (2023-04-08T14:32:12Z) - Enhancing team performance with transfer-learning during real-world
human-robot collaboration [0.0]
伝達学習は深層強化学習(dRL)エージェントに統合された。
伝達学習(TL)における確率再利用手法
TLはまた、チームの主観的なパフォーマンスにも影響を与え、知覚された流感を高めました。
論文 参考訳(メタデータ) (2022-11-23T16:02:00Z) - PEBBLE: Feedback-Efficient Interactive Reinforcement Learning via
Relabeling Experience and Unsupervised Pre-training [94.87393610927812]
我々は、フィードバックと非政治学習の両方の長所を生かした、非政治的、インタラクティブな強化学習アルゴリズムを提案する。
提案手法は,従来ヒト・イン・ザ・ループ法で検討されていたよりも複雑度の高いタスクを学習可能であることを実証する。
論文 参考訳(メタデータ) (2021-06-09T14:10:50Z) - Emergent Social Learning via Multi-agent Reinforcement Learning [91.57176641192771]
社会学習は、人間と動物の知性の重要な構成要素である。
本稿では,独立系強化学習エージェントが,社会的学習を用いてパフォーマンスを向上させることを学べるかどうかを検討する。
論文 参考訳(メタデータ) (2020-10-01T17:54:14Z)
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。