論文の概要: Discovering the curriculum with AI: A proof-of-concept demonstration with an intelligent tutoring system for teaching project selection

• arxiv url: http://arxiv.org/abs/2406.04082v2
• Date: Tue, 21 Oct 2025 15:07:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:01.936495
• Title: Discovering the curriculum with AI: A proof-of-concept demonstration with an intelligent tutoring system for teaching project selection
• Title（参考訳）: AIによるカリキュラムの発見--プロジェクト選択を教える知的学習システムによる概念実証
• Authors: Lovis Heindrich, Falk Lieder,
• Abstract要約: 本研究では,現実人向けに最適化されたプロジェクト選択戦略を自動的に発見する手法を開発した。 また,発見したプロジェクト選択手順を学習するインテリジェントチューターを開発した。
• 参考スコア（独自算出の注目度）: 0.11458853556386794
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The decisions of individuals and organizations are often suboptimal because fully rational decision-making is too demanding in the real world. Recent work suggests that some errors can be prevented by leveraging artificial intelligence to discover and teach clever heuristics. So far, this line of research has been limited to simplified, artificial decision-making tasks. This article is the first to extend this approach to a real-world decision problem, namely, executives deciding which project their organization should launch next. We develop a computational method (MGPS) that automatically discovers project selection strategies that are optimized for real people, and we develop an intelligent tutor that teaches the discovered project selection procedures. We evaluated MGPS on a computational benchmark and tested the intelligent tutor in a training experiment with two control conditions. MGPS outperformed a state-of-the-art method and was more computationally efficient. Moreover, people who practiced with our intelligent tutor learned significantly better project selection strategies than the control groups. These findings suggest that AI could be used to automate the process of discovering and formalizing the cognitive strategies taught by intelligent tutoring systems.
• Abstract（参考訳）: 完全に合理的な意思決定は現実の世界ではあまりにも要求されるので、個人や組織の決定は過小評価されることが多い。 最近の研究は、人工知能を利用して巧妙なヒューリスティックスを発見し、教えることによって、いくつかのエラーを防ぐことができることを示唆している。 これまでのところ、この研究はシンプルで人工的な意思決定に限られている。 この記事は、このアプローチを現実の意思決定問題、すなわち、組織が次に立ち上げるべきプロジェクトを決定する幹部に拡張する最初のものです。 本研究では,実際の人に対して最適化されたプロジェクト選択戦略を自動的に発見する計算方法(MGPS)を開発し,プロジェクト選択手順を学習するインテリジェントチューターを開発する。 我々は,MGPSを計算ベンチマークで評価し,2つの制御条件のトレーニング実験において知能チュータを試験した。 MGPSは最先端の手法より優れ、より計算効率が良い。 さらに,知的家庭教師を実践する人々は,コントロールグループよりもプロジェクト選択戦略が有意に優れていた。 これらの結果は,知的な学習システムによって教えられる認知戦略の発見と形式化のプロセスを自動化するために,AIが使用できることを示唆している。

関連論文リスト

• Barbarians at the Gate: How AI is Upending Systems Research [58.95406995634148]
  システム研究は、新しいパフォーマンス指向アルゴリズムの設計と評価に長年注力してきたが、AI駆動のソリューション発見には特に適している、と私たちは主張する。 このアプローチをAI駆動システム研究(ADRS)と呼び、ソリューションを反復的に生成し、評価し、洗練する。 我々の研究結果は、AI時代のシステム研究の実践に急激な適応の必要性と破壊的な可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-10-07T17:49:24Z)
• Evolving Deeper LLM Thinking [61.61227021098086]
  提案したアプローチであるMind Evolutionは、言語モデルを使用して、候補応答を生成し、再結合し、洗練する。 Mind Evolutionは自然言語計画タスクにおいて、Best-of-NやSequential Revisionといった他の推論戦略よりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-01-17T00:41:44Z)
• SMART: Self-learning Meta-strategy Agent for Reasoning Tasks [44.45037694899524]
  SMART(Self-learning Meta-Strategy Agent for Reasoning Tasks)は、LMが様々な推論タスクの最も効果的な戦略を学習し、選択できる新しいフレームワークである。 我々は、戦略選択プロセスをマルコフ決定プロセスとしてモデル化し、強化学習による継続的自己改善を活用する。 実験の結果,SMARTは外部ガイダンスを使わずに最適な戦略を選択する能力を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2024-10-21T15:55:04Z)
• Combining AI Control Systems and Human Decision Support via Robustness and Criticality [53.10194953873209]
  我々は、逆説(AE)の方法論を最先端の強化学習フレームワークに拡張する。 学習したAI制御システムは、敵のタンパリングに対する堅牢性を示す。 トレーニング/学習フレームワークでは、この技術は人間のインタラクションを通じてAIの決定と説明の両方を改善することができる。
  論文  参考訳（メタデータ） (2024-07-03T15:38:57Z)
• Risk-reducing design and operations toolkit: 90 strategies for managing risk and uncertainty in decision problems [65.268245109828]
  本稿では,このような戦略のカタログを開発し,それらのためのフレームワークを開発する。 高い不確実性のために難解であるように見える決定問題に対して、効率的な応答を提供する、と論じている。 次に、多目的最適化を用いた決定理論にそれらを組み込む枠組みを提案する。
  論文  参考訳（メタデータ） (2023-09-06T16:14:32Z)
• Training Towards Critical Use: Learning to Situate AI Predictions Relative to Human Knowledge [22.21959942886099]
  我々は、人間がAIモデルでは利用できない知識に対してAI予測をシチュレートする能力を集中させる「クリティカルユース」と呼ばれるプロセス指向の適切な依存の概念を紹介します。 我々は、児童虐待スクリーニングという複雑な社会的意思決定環境でランダム化オンライン実験を行う。 参加者にAIによる意思決定を実践する、迅速で低い機会を提供することによって、初心者は、経験豊富な労働者に類似したAIとの不一致のパターンを示すようになった。
  論文  参考訳（メタデータ） (2023-08-30T01:54:31Z)
• 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)
• An intelligent tutor for planning in large partially observable environments [0.8739101659113157]
  本研究では,部分的に観測可能な環境下での計画のための知的チューターを開発し,評価する。 計画戦略を教えるための知的家庭教師と比べ、この新しい知的家庭教師は2つの革新を組み合わせている。 330人の参加者による事前登録実験では、新しいインテリジェントチューターは、部分的に観察可能な環境で良い判断を下す能力を向上させるのに非常に効果的であることが示された。
  論文  参考訳（メタデータ） (2023-02-06T13:57:08Z)
• On solving decision and risk management problems subject to uncertainty [91.3755431537592]
  不確実性は意思決定とリスク管理において広範囲にわたる課題である。 本稿では,このような戦略を体系的に理解し,その適用範囲を判断し,それらをうまく活用するための枠組みを開発する。
  論文  参考訳（メタデータ） (2023-01-18T19:16:23Z)
• Boosting human decision-making with AI-generated decision aids [8.373151777137792]
  我々は,従来の手法の出力を手続き的命令に変換するアルゴリズムを開発した。 実験の結果、これらの自動意思決定は、道路旅行計画や住宅ローン選択における人々のパフォーマンスを著しく向上させることがわかった。 これらの結果は、AIによる強化が、現実世界における人間の意思決定を改善する可能性があることを示唆している。
  論文  参考訳（メタデータ） (2022-03-05T15:57:20Z)
• 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)
• Improving Human Sequential Decision-Making with Reinforcement Learning [29.334511328067777]
  トレースデータから"ベストプラクティス"を抽出できる新しい機械学習アルゴリズムを設計する。 我々のアルゴリズムは、労働者の行動と最適な政策によって取られた行動のギャップを最もうまく埋めるヒントを選択する。 実験の結果,提案アルゴリズムが生成したチップは人体の性能を著しく向上させることができることがわかった。
  論文  参考訳（メタデータ） (2021-08-19T02:57:58Z)
• The MineRL BASALT Competition on Learning from Human Feedback [58.17897225617566]
  MineRL BASALTコンペティションは、この重要な種類の技術の研究を促進することを目的としている。 Minecraftでは、ハードコードされた報酬関数を書くのが難しいと期待する4つのタスクのスイートを設計しています。 これら4つのタスクのそれぞれについて、人間のデモのデータセットを提供するとともに、模擬学習ベースラインを提供する。
  論文  参考訳（メタデータ） (2021-07-05T12:18:17Z)
• Decision Rule Elicitation for Domain Adaptation [93.02675868486932]
  ヒトインザループ機械学習は、専門家からラベルを引き出すために人工知能(AI)で広く使用されています。 この作業では、専門家が意思決定を説明する決定ルールを作成できるようにします。 決定規則の適用はアルゴリズムのドメイン適応を改善し、専門家の知識をAIモデルに広めるのに役立つことを示す。
  論文  参考訳（メタデータ） (2021-02-23T08:07:22Z)
• Improving Human Decision-Making by Discovering Efficient Strategies for Hierarchical Planning [0.6882042556551609]
  計算資源が限られているため、効率的な計画戦略が必要です。 これらの戦略を計算する能力は、以前は非常に小さく、非常に単純な計画タスクに限られていました。 本稿では,この制限を克服できる認知型強化学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-31T19:46:00Z)
• Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
  建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。 本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。 本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
  論文  参考訳（メタデータ） (2021-01-24T05:40:29Z)
• Automatic Discovery of Interpretable Planning Strategies [9.410583483182657]
  我々は、慣用的ポリシーを単純かつ解釈可能な記述に変換する方法であるAI-Interpretを紹介する。 フローチャートとしてAI-Interpretが生み出す決定ルールを守れば、人々の計画戦略や意思決定は大幅に改善される。
  論文  参考訳（メタデータ） (2020-05-24T12:24:52Z)

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。