論文の概要: Democratizing Signal Processing and Machine Learning: Math Learning Equity for Elementary and Middle School Students

• arxiv url: http://arxiv.org/abs/2409.17304v1
• Date: Wed, 25 Sep 2024 19:28:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-30 12:41:44.041909
• Title: Democratizing Signal Processing and Machine Learning: Math Learning Equity for Elementary and Middle School Students
• Title（参考訳）: 信号処理と機械学習の民主化--小学生と中学生の数学学習方法
• Authors: Namrata Vaswani, Mohamed Y. Selim, Renee Serrell Gibert,
• Abstract要約: 信号処理(SP)と機械学習(ML)は、優れた数学とコーディング知識に依存している。 多くの学生は小学生に算術の強力な基礎を築けない。 本稿では,SP教員と大学院生が,学外数学支援プログラムの開始と参加において,いかに重要な役割を果たすかを論じる。
• 参考スコア（独自算出の注目度）: 15.998017974714022
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Signal Processing (SP) and Machine Learning (ML) rely on good math and coding knowledge, in particular, linear algebra, probability, and complex numbers. A good grasp of these relies on scalar algebra learned in middle school. The ability to understand and use scalar algebra well, in turn, relies on a good foundation in basic arithmetic. Because of various systemic barriers, many students are not able to build a strong foundation in arithmetic in elementary school. This leads them to struggle with algebra and everything after that. Since math learning is cumulative, the gap between those without a strong early foundation and everyone else keeps increasing over the school years and becomes difficult to fill in college. In this article we discuss how SP faculty and graduate students can play an important role in starting, and participating in, university-run (or other) out-of-school math support programs to supplement students' learning. Two example programs run by the authors (CyMath at ISU and Ab7G at Purdue) are briefly described. The second goal of this article is to use our perspective as SP, and engineering, educators who have seen the long-term impact of elementary school math teaching policies, to provide some simple almost zero cost suggestions that elementary schools could adopt to improve math learning: (i) more math practice in school, (ii) send small amounts of homework (individual work is critical in math), and (iii) parent awareness (math resources, need for early math foundation, clear in-school test information and sharing of feedback from the tests). In summary, good early math support (in school and through out-of-school programs) can help make SP and ML more accessible.
• Abstract（参考訳）: 信号処理(SP)と機械学習(ML)は数学とコーディングの知識、特に線形代数、確率、複素数に依存している。 これらは、中学で学んだスカラー代数に依存している。 スカラー代数をよく理解し、使用する能力は、基本算術における良い基礎に依存している。 様々な体系的な障壁のため、多くの学生は小学校の算術の強力な基礎を築けない。 これにより、その後は代数学とあらゆることに苦しむことになる。 数学の学習は累積的であるため、学校時代を通じて、強力な基礎を持たない人と他の全員とのギャップは増加し続けており、大学に通うのが難しくなっている。 本稿では、学生の学習を補うために、大学在学中(またはその他)の数学支援プログラムの開始と参加において、SP教員と大学院生がいかに重要な役割を果たすかを論じる。 著者が実施する2つの例(ISUのCyMathとPurdueのAb7G)を概説する。 本稿の第二の目的は,小学校数学教育政策の長期的影響を見てきた工学者,工学者,工学者,そして,小学校が数学学習を改善するために採用できる簡単なほぼゼロコストの提案を提供することである。 (i)学校ではもっと数学の練習をする。 (二 少額の宿題を送ること(個人業務は数学において重要なこと) 三 親の意識(リソース、早期数学基盤の必要性、学校内テスト情報の明確化、テストからのフィードバックの共有) まとめると、(学校や学外プログラムを通じて)優れた早期数学サポートは、SPとMLをよりアクセスしやすくするのに役立つ。

関連論文リスト

• LeanAgent: Lifelong Learning for Formal Theorem Proving [85.39415834798385]
  フォーマルな定理証明のための新しい生涯学習フレームワークであるLeanAgentを紹介する。 LeanAgentは継続的に一般化し、拡張可能な数学的知識を改善します。 以前、23のリーンリポジトリで人間が公式に証明していなかった155の定理の証明に成功した。
  論文  参考訳（メタデータ） (2024-10-08T17:11:24Z)
• MathBench: Evaluating the Theory and Application Proficiency of LLMs with a Hierarchical Mathematics Benchmark [82.64129627675123]
  MathBenchは、大規模言語モデルの数学的能力を厳格に評価する新しいベンチマークである。 MathBenchは幅広い数学の分野にまたがっており、理論的な理解と実践的な問題解決のスキルの両方を詳細に評価している。
  論文  参考訳（メタデータ） (2024-05-20T17:52:29Z)
• FineMath: A Fine-Grained Mathematical Evaluation Benchmark for Chinese Large Language Models [44.63505885248145]
  FineMathは、中国語大言語モデル(LLM)を評価するための詳細な数学的評価ベンチマークデータセットである。 FineMathは、小学校数学で教えられる主要な数学的概念をカバーし、数学用語の問題の17のカテゴリに分けられる。 数学の単語問題のうち17のカテゴリは、これらの問題を解決するために必要な推論ステップの数に応じて、難易度を手動でアノテートする。
  論文  参考訳（メタデータ） (2024-03-12T15:32:39Z)
• Machine learning and information theory concepts towards an AI Mathematician [77.63761356203105]
  人工知能の現在の最先端技術は、特に言語習得の点で印象的だが、数学的推論の点ではあまり重要ではない。 このエッセイは、現在のディープラーニングが主にシステム1の能力で成功するという考えに基づいている。 興味深い数学的ステートメントを構成するものについて質問するために、情報理論的な姿勢を取る。
  論文  参考訳（メタデータ） (2024-03-07T15:12:06Z)
• MathScale: Scaling Instruction Tuning for Mathematical Reasoning [70.89605383298331]
  大規模言語モデル(LLM)は問題解決において顕著な能力を示した。 しかし、数学的な問題を解く能力は依然として不十分である。 高品質な数学的推論データを作成するためのシンプルでスケーラブルな方法であるMathScaleを提案する。
  論文  参考訳（メタデータ） (2024-03-05T11:42:59Z)
• InternLM-Math: Open Math Large Language Models Toward Verifiable Reasoning [98.53491178426492]
  InternLM2から事前学習を継続するILMs InternLM-Mathをオープンソースとして公開する。 我々は、連鎖推論、報酬モデリング、形式推論、データ拡張、コードインタプリタを、統一されたSeq2seqフォーマットで統一する。 我々の事前学習モデルは、微調整なしでMiniF2Fテストセットで30.3を達成する。
  論文  参考訳（メタデータ） (2024-02-09T11:22:08Z)
• Peano: Learning Formal Mathematical Reasoning [35.086032962873226]
  一般的な数学的推論は計算不可能であるが、人間は新しい問題を常に解決している。 両パズルの中心は、数学の基礎となる手続き的抽象の構造であると仮定する。 カーン・アカデミー・プラットフォーム上の始点代数の5つの部分に関するケーススタディにおいて、このアイデアを探求する。
  論文  参考訳（メタデータ） (2022-11-29T01:42:26Z)
• JiuZhang: A Chinese Pre-trained Language Model for Mathematical Problem Understanding [74.12405417718054]
  本稿では,中国初の数学的事前学習言語モデル(PLM)を提示することにより,機械の数学的知性向上を目指す。 他の標準のNLPタスクとは異なり、数学的テキストは問題文に数学的用語、記号、公式を含むため理解が難しい。 基礎課程と上級課程の両方からなる数学PLMの学習を改善するための新しいカリキュラム事前学習手法を設計する。
  論文  参考訳（メタデータ） (2022-06-13T17:03:52Z)
• Discrete Math with Programming: A Principled Approach [0.0]
  離散数学はプログラミングでよりよく教えられると長年主張されてきた。 本稿では、離散数学のすべての中心的な概念をサポートするアプローチを紹介する。 数学や論理文は高いレベルで正確に表現され、コンピュータ上で実行される。
  論文  参考訳（メタデータ） (2020-11-28T03:41:27Z)

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。