論文の概要: Investigating the Use of Productive Failure as a Design Paradigm for Learning Introductory Python Programming

• arxiv url: http://arxiv.org/abs/2411.11227v1
• Date: Mon, 18 Nov 2024 01:39:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:34:09.881557
• Title: Investigating the Use of Productive Failure as a Design Paradigm for Learning Introductory Python Programming
• Title（参考訳）: イントロダクティブPythonプログラミング学習のための設計パラダイムとしての生産的失敗の活用の検討
• Authors: Hussel Suriyaarachchi, Paul Denny, Suranga Nanayakkara,
• Abstract要約: プロダクティブ・フェース(Productive Failure, PF)とは、未学習の概念を対象とする新たな問題に学生が取り組む学習手法である。 STEM分野の最近の応用は、PFが学習者がより堅牢な概念的知識を開発するのに役立つことを示唆している。 我々は、コンシューマーグレードのウェアラブルセンサーからリアルタイム心拍データを非侵襲的に収集する新しいPFベースの学習アクティビティを設計した。 初等学習結果に差は認められなかったが, PF アプローチを施行した学生は, 遅れながら類似した課題に対して, 知識の保持と性能の向上が認められた。
• 参考スコア（独自算出の注目度）: 7.8163934921246945
• License:
• Abstract: Productive Failure (PF) is a learning approach where students initially tackle novel problems targeting concepts they have not yet learned, followed by a consolidation phase where these concepts are taught. Recent application in STEM disciplines suggests that PF can help learners develop more robust conceptual knowledge. However, empirical validation of PF for programming education remains under-explored. In this paper, we investigate the use of PF to teach Python lists to undergraduate students with limited prior programming experience. We designed a novel PF-based learning activity that incorporated the unobtrusive collection of real-time heart-rate data from consumer-grade wearable sensors. This sensor data was used both to make the learning activity engaging and to infer cognitive load. We evaluated our approach with 20 participants, half of whom were taught Python concepts using Direct Instruction (DI), and the other half with PF. We found that although there was no difference in initial learning outcomes between the groups, students who followed the PF approach showed better knowledge retention and performance on delayed but similar tasks. In addition, physiological measurements indicated that these students also exhibited a larger decrease in cognitive load during their tasks after instruction. Our findings suggest that PF-based approaches may lead to more robust learning, and that future work should investigate similar activities at scale across a range of concepts.
• Abstract（参考訳）: プロダクティブ・フェース(Productive Failure, PF)とは、学生がまだ学習していない概念を対象とする新しい問題に最初に取り組み、その後にこれらの概念が教えられる統合段階に進む学習手法である。 STEM分野の最近の応用は、PFが学習者がより堅牢な概念的知識を開発するのに役立つことを示唆している。 しかし、プログラミング教育におけるPFの実証的検証はまだ未定である。 本稿では,Python リストを事前プログラミング経験の少ない大学生に教えるための PF の使用について検討する。 我々は、コンシューマーグレードのウェアラブルセンサーからリアルタイム心拍データを非侵襲的に収集する新しいPFベースの学習アクティビティを設計した。 このセンサデータは、学習活動の関与と認知負荷の推測の両方に使用された。 アプローチを20名を対象に評価し,その半数は直接指導(DI)でPythonの概念を教え,残りはPFで教えた。 初等学習結果に差は認められなかったが, PF アプローチを施行した学生は, 遅れながら類似した課題に対して, 知識の保持と性能の向上が認められた。 また, 生理的測定の結果, 授業後の作業時の認知負荷も有意に低下していた。 以上の結果から,PFに基づくアプローチはより堅牢な学習につながる可能性が示唆された。

関連論文リスト

• Intrinsic Evaluation of Unlearning Using Parametric Knowledge Traces [34.00971641141313]
  近年,大規模言語モデル(LLM)の「学習」概念が注目されている。 未学習の手法を評価するための現在のプロトコルは、関連する知識を監視せずに行動テストに依存している。 我々は、未学習概念のパラメトリックな知識トレースの変化を考慮して、未学習を内部的に評価するべきだと論じている。
  論文  参考訳（メタデータ） (2024-06-17T15:00:35Z)
• Personalized Forgetting Mechanism with Concept-Driven Knowledge Tracing [16.354428270912138]
  概念駆動型パーソナライズドフォーッティング知識追跡モデル(CPF)を提案する。 CPFは知識概念間の階層的な関係を統合し、生徒のパーソナライズされた認知能力を統合する。 我々のCPFは、生徒のパフォーマンスを予測するために、現在の忘れ曲線理論に基づく手法よりも優れています。
  論文  参考訳（メタデータ） (2024-04-18T12:28:50Z)
• Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
  継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。 本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2024-01-29T18:27:52Z)
• YODA: Teacher-Student Progressive Learning for Language Models [82.0172215948963]
  本稿では,教師が指導するプログレッシブ・ラーニング・フレームワークであるYodaを紹介する。 モデルファインチューニングの有効性を向上させるために,教師の教育過程をエミュレートする。 実験の結果, YODAのデータによるLLaMA2のトレーニングにより, SFTは大幅に向上した。
  論文  参考訳（メタデータ） (2024-01-28T14:32:15Z)
• When Meta-Learning Meets Online and Continual Learning: A Survey [39.53836535326121]
  メタ学習は学習アルゴリズムを最適化するためのデータ駆動型アプローチである。 継続的な学習とオンライン学習はどちらも、ストリーミングデータでモデルを漸進的に更新する。 本稿では,一貫した用語と形式記述を用いて,様々な問題設定を整理する。
  論文  参考訳（メタデータ） (2023-11-09T09:49:50Z)
• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
  本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。 一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。 一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
  論文  参考訳（メタデータ） (2023-09-13T17:55:11Z)
• Federated Unlearning via Active Forgetting [24.060724751342047]
  インクリメンタルラーニングに基づく新しいフェデレーション・アンラーニング・フレームワークを提案する。 我々のフレームワークは、近似的再学習やデータ影響推定に依存する既存の非学習手法とは異なる。
  論文  参考訳（メタデータ） (2023-07-07T03:07:26Z)
• Set-to-Sequence Ranking-based Concept-aware Learning Path Recommendation [49.85548436111153]
  SRC(Set-to-Sequence Ranking-based Concept-Aware Learning Path Recommendation)という新しいフレームワークを提案する。 SRCは、セット・ツー・シーケンス・パラダイムの下でレコメンデーション・タスクを定式化する。 実世界の2つの公開データセットと1つの産業データセットについて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-06-07T08:24:44Z)
• Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
  我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。 まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。 トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
  論文  参考訳（メタデータ） (2022-11-24T13:18:27Z)
• pymdp: A Python library for active inference in discrete state spaces [52.85819390191516]
  pymdpはPythonでアクティブな推論をシミュレートするオープンソースパッケージである。 我々は,POMDPによるアクティブな推論をシミュレートする,最初のオープンソースパッケージを提供する。
  論文  参考訳（メタデータ） (2022-01-11T12:18:44Z)

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。