論文の概要: Can machine learning solve the challenge of adaptive learning and the individualization of learning paths? A field experiment in an online learning platform

• arxiv url: http://arxiv.org/abs/2407.03118v1
• Date: Wed, 3 Jul 2024 14:04:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-04 14:06:19.731953
• Title: Can machine learning solve the challenge of adaptive learning and the individualization of learning paths? A field experiment in an online learning platform
• Title（参考訳）: 機械学習は適応学習の課題と学習経路の個別化を解決できるか?オンライン学習プラットフォームにおけるフィールド実験
• Authors: Tim Klausmann, Marius Köppel, Daniel Schunk, Isabell Zipperle,
• Abstract要約: デジタル技術に基づく学習内容の個別化は、大きな個人的および社会的利益をもたらす。 大規模なデジタル自己学習プラットフォーム上でランダム化制御試験を行う。 我々は,2つの畳み込みニューラルネットワークに基づくアルゴリズムを開発し,学習経路に応じて4,365ドルの学習者にタスクを割り当てる。
• 参考スコア（独自算出の注目度）: 0.8437187555622164
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The individualization of learning contents based on digital technologies promises large individual and social benefits. However, it remains an open question how this individualization can be implemented. To tackle this question we conduct a randomized controlled trial on a large digital self-learning platform. We develop an algorithm based on two convolutional neural networks that assigns tasks to $4,365$ learners according to their learning paths. Learners are randomized into three groups: two treatment groups -- a group-based adaptive treatment group and an individual adaptive treatment group -- and one control group. We analyze the difference between the three groups with respect to effort learners provide and their performance on the platform. Our null results shed light on the multiple challenges associated with the individualization of learning paths.
• Abstract（参考訳）: デジタル技術に基づく学習内容の個別化は、大きな個人的および社会的利益をもたらす。 しかし、この個別化がどのように実装されるのかは未解決のままである。 この問題に対処するため、我々は大規模なデジタル自己学習プラットフォーム上でランダム化制御試験を実施している。 我々は,2つの畳み込みニューラルネットワークに基づくアルゴリズムを開発し,学習経路に応じて4,365ドルの学習者にタスクを割り当てる。 学習者は、グループベースの適応治療グループと個別適応治療グループという2つの治療グループと、1つのコントロールグループにランダム化される。 本研究は,学習者が提供する努力とプラットフォーム上でのパフォーマンスについて,これら3つのグループの違いを分析した。 我々のヌル結果は、学習経路の個別化に関連する複数の課題に光を当てた。

関連論文リスト

• Towards Scalable Adaptive Learning with Graph Neural Networks and Reinforcement Learning [0.0]
  学習経路のパーソナライズに関する問題に対して,フレキシブルでスケーラブルなアプローチを導入する。 我々のモデルはグラフニューラルネットワークに基づく逐次レコメンデーションシステムである。 以上の結果から,小規模データ体制における適切なレコメンデーションを学習できることが示唆された。
  論文  参考訳（メタデータ） (2023-05-10T18:16:04Z)
• Learning by Grouping: A Multilevel Optimization Framework for Improving Fairness in Classification without Losing Accuracy [19.84719054826755]
  場合によっては、特定の社会集団に対する偏見や差別を示すことによって、AIシステムは不公平である場合もある。 そこで我々は,MLモデルを学習し,様々な問題集合を個別のサブグループに分類し,各サブグループを解く新しい機械学習フレームワークを提案する。 提案するフレームワークは,3段階の最適化問題として定式化された3段階の学習を含む。
  論文  参考訳（メタデータ） (2023-04-02T08:45:08Z)
• Dynamic Diagnosis of the Progress and Shortcomings of Student Learning using Machine Learning based on Cognitive, Social, and Emotional Features [0.06999740786886534]
  学生の多様性は、学生が時間とともに学び、進歩していく方法に多様性を追加するため、困難である。 単一の教育アプローチは効果がなく、結果として学生は彼らの潜在能力を満たさない。 本稿では,データ分析と機械学習に基づく新しい手法について論じる。
  論文  参考訳（メタデータ） (2022-04-13T21:14:58Z)
• The Group Loss++: A deeper look into group loss for deep metric learning [65.19665861268574]
  グループ損失 (Group Loss) は、グループの全サンプルに埋め込まれた類似性を強制する微分可能なラベルプロパゲーション法に基づく損失関数である。 4つのデータセットでクラスタリングと画像検索の最先端結果を示し、2人の再識別データセットで競合結果を示す。
  論文  参考訳（メタデータ） (2022-04-04T14:09:58Z)
• What Matters in Learning from Offline Human Demonstrations for Robot Manipulation [64.43440450794495]
  ロボット操作のための6つのオフライン学習アルゴリズムについて広範な研究を行う。 我々の研究は、オフラインの人間のデータから学習する際の最も重要な課題を分析します。 人間のデータセットから学ぶ機会を強調します。
  論文  参考訳（メタデータ） (2021-08-06T20:48:30Z)
• Constructing a personalized learning path using genetic algorithms approach [0.0]
  本稿では,遺伝的アルゴリズムに基づくモデルを用いたパーソナライズ学習パスの構築の可能性について述べる。 実験の結果, 遺伝的アルゴリズムは学習対象の難易度, 期間, 評価, 関係度に基づいて最適な学習経路を生成するのに適していることがわかった。
  論文  参考訳（メタデータ） (2021-04-22T18:43:47Z)
• Towards Improved and Interpretable Deep Metric Learning via Attentive Grouping [103.71992720794421]
  グループ化は、様々な特徴の計算にディープ・メトリック・ラーニングでよく用いられてきた。 本稿では,任意のメトリクス学習フレームワークと柔軟に統合可能な,改良された解釈可能なグループ化手法を提案する。
  論文  参考訳（メタデータ） (2020-11-17T19:08:24Z)
• Hierarchical Affordance Discovery using Intrinsic Motivation [69.9674326582747]
  本研究では,移動ロボットの価格学習を支援するために,本質的なモチベーションを用いたアルゴリズムを提案する。 このアルゴリズムは、事前にプログラムされたアクションなしで、相互に関連のある価格を自律的に発見し、学習し、適応することができる。 一度学習すると、これらの余裕はアルゴリズムによって様々な困難を伴うタスクを実行するために一連のアクションを計画するために使われる。
  論文  参考訳（メタデータ） (2020-09-23T07:18:21Z)
• Learning Compositional Neural Programs for Continuous Control [62.80551956557359]
  スパース逆連続制御問題に対する新しい解法を提案する。 我々のソリューションはAlphaNPI-Xと呼ばれ、学習の3つの段階を含む。 我々はAlphaNPI-Xがスパース操作の課題に効果的に取り組むことを実証的に示す。
  論文  参考訳（メタデータ） (2020-07-27T08:27:14Z)
• A Machine Learning Approach to Assess Student Group Collaboration Using Individual Level Behavioral Cues [8.840643644938156]
  グループ全体のコラボレーション品質を自動的に決定するために,簡単なディープラーニングに基づく機械学習モデルを提案する。 1) 限られたトレーニングデータ、2) クラスラベルの不均衡が深刻である。
  論文  参考訳（メタデータ） (2020-07-13T20:15:29Z)
• 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。