論文の概要: ICE-T: A Multi-Faceted Concept for Teaching Machine Learning

• arxiv url: http://arxiv.org/abs/2411.05424v1
• Date: Fri, 08 Nov 2024 09:16:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 14:56:10.611645
• Title: ICE-T: A Multi-Faceted Concept for Teaching Machine Learning
• Title（参考訳）: ICE-T: 機械学習を教えるための多面的概念
• Authors: Hendrik Krone, Pierre Haritz, Thomas Liebig,
• Abstract要約: 我々は、コンピュータサイエンスの教育に使用される実践的原則を考察し、基準を定義し、既存の著名なプラットフォーム、ツール、ゲームの選択を評価します。 我々は、主にブラックボックスとして機械学習を描写するアプローチを批判し、結果としてデータ、アルゴリズム、モデルを理解することに重点を置いていない。 本稿では、既知の教義の延長として、モーダル間移動、計算、説明的思考、ICE-Tについて述べる。
• 参考スコア（独自算出の注目度）: 2.9685635948300004
• License:
• Abstract: The topics of Artificial intelligence (AI) and especially Machine Learning (ML) are increasingly making their way into educational curricula. To facilitate the access for students, a variety of platforms, visual tools, and digital games are already being used to introduce ML concepts and strengthen the understanding of how AI works. We take a look at didactic principles that are employed for teaching computer science, define criteria, and, based on those, evaluate a selection of prominent existing platforms, tools, and games. Additionally, we criticize the approach of portraying ML mostly as a black-box and the resulting missing focus on creating an understanding of data, algorithms, and models that come with it. To tackle this issue, we present a concept that covers intermodal transfer, computational and explanatory thinking, ICE-T, as an extension of known didactic principles. With our multi-faceted concept, we believe that planners of learning units, creators of learning platforms and educators can improve on teaching ML.
• Abstract（参考訳）: 人工知能(AI)、特に機械学習(ML)のトピックは、ますます教育カリキュラムに移行しつつある。 学生のアクセスを容易にするために、さまざまなプラットフォーム、ビジュアルツール、デジタルゲームはすでにMLの概念を導入し、AIの動作方法の理解を強化するために使われています。 コンピュータサイエンスの教育に使用される実践的原則を考察し、基準を定義し、それに基づいて、著名な既存のプラットフォーム、ツール、ゲームの選択を評価します。 さらに、MLを主にブラックボックスとして表現するアプローチと、それに伴うデータ、アルゴリズム、モデルを理解することの欠如を批判します。 この問題に対処するため,既知の教義の延長として,モーダル間移動,計算,説明的思考,ICE-Tを取り上げている。 多面的な概念では、学習ユニットのプランナー、学習プラットフォームの作成者、そして教育者がMLの教育を改善することができると信じています。

関連論文リスト

• Unpacking Approaches to Learning and Teaching Machine Learning in K-12 Education: Transparency, Ethics, and Design Activities [0.0]
  機械学習の学習と教育を概念化するための3つのアプローチを同定する。 その1つは、データ駆動アプローチであり、若者にデータセットを作成し、トレーニングし、テストする機会を提供することを強調している。 アルゴリズム駆動学習の第2のアプローチは、機械学習モデルの背後にある学習アルゴリズムやエンジンの動作に関する学習を優先するものだ。
  論文  参考訳（メタデータ） (2024-06-05T17:37:21Z)
• Learning Structure and Knowledge Aware Representation with Large Language Models for Concept Recommendation [50.31872005772817]
  概念推薦は,学習者が自身の知識状態と人間の知識システムに基づいて学習する次の概念を提案することを目的としている。 従来のアプローチでは、人間の知識システムをこれらの教育モデルを設計するプロセスに効果的に統合していない。 SKarREC(Structure and Knowledge Aware Representation Learning framework for concept Recommendation)を提案する。
  論文  参考訳（メタデータ） (2024-05-21T01:35:36Z)
• MachineLearnAthon: An Action-Oriented Machine Learning Didactic Concept [34.6229719907685]
  本稿では、異なる分野の学生に包括的にデザインされた革新的教科概念であるMachineLearnAthonフォーマットを紹介する。 この概念の核心はMLの課題であり、現実の問題を解決するために産業用データセットを利用している。 これらはMLパイプライン全体をカバーするもので、データ準備からデプロイメント、評価に至るまで、データのリテラシーと実践的なスキルを促進する。
  論文  参考訳（メタデータ） (2024-01-29T16:50:32Z)
• Towards Concept-Aware Large Language Models [56.48016300758356]
  概念は、学習、推論、コミュニケーションなど、様々な人間の認知機能において重要な役割を果たす。 概念を形作り、推論する能力を持つ機械を授けることは、ほとんどない。 本研究では,現代における大規模言語モデル(LLM)が,人間の概念とその構造をどのように捉えているかを分析する。
  論文  参考訳（メタデータ） (2023-11-03T12:19:22Z)
• ML-Based Teaching Systems: A Conceptual Framework [0.0]
  組織的文脈における知識伝達を促進する機械学習(ML)モデルの可能性について検討する。 MLに基づく教育システムをよりよく理解し、設計するために、重要な概念、テーマ、次元について検討する。
  論文  参考訳（メタデータ） (2023-05-12T09:55:34Z)
• Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
  本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。 また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
  論文  参考訳（メタデータ） (2021-08-17T17:44:38Z)
• ML-Quest: A Game for Introducing Machine Learning Concepts to K-12 Students [2.2559617939136505]
  3つの機械学習(ML)概念の概念的概要を提供する3DビデオゲームであるML-Questを提案する。 このゲームは,TAM(Technology Acceptance Model)モデルを用いて,その有用性とプレイヤエクスペリエンスについて,主に評価されている。 参加者の約70%はML-Questに同意するか、あるいは強く同意している。
  論文  参考訳（メタデータ） (2021-07-13T16:05:01Z)
• Concept Learners for Few-Shot Learning [76.08585517480807]
  本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。 我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
  論文  参考訳（メタデータ） (2020-07-14T22:04:17Z)
• Attentional Graph Convolutional Networks for Knowledge Concept Recommendation in MOOCs in a Heterogeneous View [72.98388321383989]
  大規模なオープンオンラインコース(MOOC)は、学生が知識を習得するための大規模かつオープンな学習機会を提供する。 学生の関心を惹きつけるため、MOOCsプロバイダによる推薦制度が採用され、学生にコースを推薦する。 そこで本研究では,MOOCにおける知識概念レコメンデーションのために,Attentional Heterogeneous Graph Convolutional Deep Knowledge Recommender (ACKRec) という,エンドツーエンドのグラフニューラルネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-23T18:28:08Z)
• Explainable Active Learning (XAL): An Empirical Study of How Local Explanations Impact Annotator Experience [76.9910678786031]
  本稿では、最近急増している説明可能なAI(XAI)のテクニックをアクティブラーニング環境に導入することにより、説明可能なアクティブラーニング(XAL)の新たなパラダイムを提案する。 本研究は,機械教育のインタフェースとしてのAI説明の利点として,信頼度校正を支援し,リッチな形式の教示フィードバックを可能にすること,モデル判断と認知作業負荷による潜在的な欠点を克服する効果を示す。
  論文  参考訳（メタデータ） (2020-01-24T22:52:18Z)

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。