論文の概要: Transforming Engineering Education Using Generative AI and Digital Twin Technologies

• arxiv url: http://arxiv.org/abs/2411.14433v1
• Date: Sat, 02 Nov 2024 07:16:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:39:32.387773
• Title: Transforming Engineering Education Using Generative AI and Digital Twin Technologies
• Title（参考訳）: 生成AIとディジタルツイン技術を用いた工学教育の変容
• Authors: Yu-Zheng Lin, Ahmed Hussain J Alhamadah, Matthew William Redondo, Karan Himanshu Patel, Sujan Ghimire, Banafsheh Saber Latibari, Soheil Salehi, Pratik Satam,
• Abstract要約: 本研究では,産業用デジタルツイン(DT)の教育への応用について検討する。 これは、認知領域におけるブルームの分類の異なる段階をDTモデルがどうサポートできるかに焦点を当てている。
• 参考スコア（独自算出の注目度）: 0.632032341649772
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Digital twin technology, traditionally used in industry, is increasingly recognized for its potential to enhance educational experiences. This study investigates the application of industrial digital twins (DTs) in education, focusing on how DT models of varying fidelity can support different stages of Bloom's taxonomy in the cognitive domain. We align Bloom's six cognitive stages with educational levels: undergraduate studies for "Remember" and "Understand," master's level for "Apply" and "Analyze," and doctoral level for "Evaluate" and "Create." Low-fidelity DTs aid essential knowledge acquisition and skill training, providing a low-risk environment for grasping fundamental concepts. Medium-fidelity DTs offer more detailed and dynamic simulations, enhancing application skills and problem-solving. High-fidelity DTs support advanced learners by replicating physical phenomena, allowing for innovative design and complex experiments. Within this framework, large language models (LLMs) serve as mentors, assessing progress, filling knowledge gaps, and assisting with DT interactions, parameter setting, and debugging. We evaluate the educational impact using the Kirkpatrick Model, examining how each DT model's fidelity influences learning outcomes. This framework helps educators make informed decisions on integrating DTs and LLMs to meet specific learning objectives.
• Abstract（参考訳）: デジタルツインテクノロジーは、伝統的に産業で使われてきたが、教育経験を高める可能性をますます認識している。 本研究では, 教育における産業用デジタルツイン(DT)の応用について検討し, 認知領域におけるブルームの分類学の異なる段階をDTモデルがいかに支援できるかに着目した。 我々は,ブルームの6つの認知段階を,「記憶」と「理解」の学部研究,「応用」と「分析」の修士レベル,「評価」と「評価」の博士レベルに合わせる。 低忠実度DTは、基本的な知識獲得とスキルトレーニングを支援し、基本的な概念を把握するためのリスクの低い環境を提供する。 中忠実度DTは、より詳細でダイナミックなシミュレーションを提供し、アプリケーションスキルと問題解決を強化します。 高忠実度DTは、物理現象を複製することで高度な学習者をサポートし、革新的な設計と複雑な実験を可能にする。 このフレームワーク内では、大規模言語モデル(LLM)がメンターとして機能し、進捗を評価し、知識ギャップを埋め、DTインタラクション、パラメータ設定、デバッグを支援する。 カークパトリックモデルを用いて教育効果を評価し,各DTモデルの忠実度が学習結果に与える影響について検討した。 このフレームワークは、特定の学習目標を満たすためにDTとLLMを統合することについて、教育者が情報的な決定を下すのに役立つ。

関連論文リスト

• Evolution of AI in Education: Agentic Workflows [2.1681971652284857]
  人工知能(AI)は教育の様々な側面を変えてきた。 大規模言語モデル(LLM)は、自動学習、アセスメント、コンテンツ生成の進歩を推進している。 これらの制限に対処し、より持続可能な技術プラクティスを促進するために、AIエージェントは教育革新のための有望な新しい道として登場した。
  論文  参考訳（メタデータ） (2025-04-25T13:44:57Z)
• A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
  推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。 大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。 我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
  論文  参考訳（メタデータ） (2025-04-12T01:27:49Z)
• Multi-Stage Knowledge Integration of Vision-Language Models for Continual Learning [79.46570165281084]
  蒸留法における人間の学習過程をエミュレートするマルチステージ知識統合ネットワーク(MulKI)を提案する。 Mulkiは、イデオロギーの排除、新しいイデオロギーの追加、イデオロギーの排除、コネクティクスの作りという4つの段階を通じてこれを達成している。 提案手法は,下流タスク間の連続学習をサポートしながら,ゼロショット能力の維持における大幅な改善を示す。
  論文  参考訳（メタデータ） (2024-11-11T07:36:19Z)
• Learning Paradigms and Modelling Methodologies for Digital Twins in Process Industry [1.1060425537315088]
  デジタルツイン(Digital Twins、DT)は、センサーデータと高度なデータベースまたは物理ベースのモデル、あるいはその組み合わせを組み合わせた物理製造システムの仮想レプリカで、プロセス監視、予測制御、意思決定支援など、さまざまな産業関連タスクに対処する。 DTのバックボーン、すなわち、これらのモデルをサポートする具体的なモデリング方法論とアーキテクチャフレームワークは、複雑で多様性があり、急速に進化し、最新の最先端の手法と競争の激しい市場のトップに留まる傾向を徹底的に理解する必要がある。
  論文  参考訳（メタデータ） (2024-07-02T14:05:10Z)
• Enhancing Deep Knowledge Tracing via Diffusion Models for Personalized Adaptive Learning [1.2248793682283963]
  本研究は、学習記録におけるデータ不足問題に取り組み、パーソナライズされた適応学習(PAL)のためのDKT性能を向上させることを目的とする。 拡散モデルであるTabDDPMを用いて合成教育記録を生成し、DKTの強化のためのトレーニングデータを強化する。 実験結果から,TabDDPMによるAI生成データにより,DKTの性能が著しく向上することが示された。
  論文  参考訳（メタデータ） (2024-04-25T00:23:20Z)
• Learning to Maximize Mutual Information for Chain-of-Thought Distillation [13.660167848386806]
  Distilling Step-by-Step(DSS)は、より大きなモデルよりも優れた推論能力を持つ小さなモデルを投入することで、約束を証明している。 しかし、DSSは2つのトレーニングタスクの本質的な関係を見落とし、CoT知識とラベル予測のタスクの非効率な統合につながる。 学習に基づく手法を用いて,この問題を解決するための変分手法を提案する。
  論文  参考訳（メタデータ） (2024-03-05T22:21:45Z)
• Integrating AI and Learning Analytics for Data-Driven Pedagogical Decisions and Personalized Interventions in Education [0.2812395851874055]
  本研究では,革新的な学習分析ツールの概念化,開発,展開について検討する。 学生のストレスレベル、好奇心、混乱、扇動、トピックの嗜好、学習方法などの重要なデータポイントを分析し、学習環境の総合的なビューを提供する。 この研究は、パーソナライズされたデータ駆動型教育を形成する上で、AIが果たす役割を浮き彫りにする。
  論文  参考訳（メタデータ） (2023-12-15T06:00:26Z)
• Current Trends in Digital Twin Development, Maintenance, and Operation: An Interview Study [0.2871849986181679]
  デジタルツイン(DT)は、しばしば物理的実体と対応する仮想実体(VE)のペアリングとして定義される。 デジタル双生児の生活段階と密接に関連している産学専門職19名を対象に半構造化面接を行った。
  論文  参考訳（メタデータ） (2023-06-16T12:19:28Z)
• Anti-Retroactive Interference for Lifelong Learning [65.50683752919089]
  我々は脳のメタラーニングと連想機構に基づく生涯学習のパラダイムを設計する。 知識の抽出と知識の記憶という2つの側面から問題に取り組む。 提案した学習パラダイムが,異なるタスクのモデルを同じ最適に収束させることができることを理論的に分析した。
  論文  参考訳（メタデータ） (2022-08-27T09:27:36Z)
• A Unified Continuous Learning Framework for Multi-modal Knowledge Discovery and Pre-training [73.7507857547549]
  本稿では,継続的学習フレームワークにおける知識発見とマルチモーダル事前学習の統合を提案する。 知識発見のために、事前訓練されたモデルを用いてグラフ上のクロスモーダルリンクを識別する。 モデル事前トレーニングでは、モデル更新をガイドする外部知識として知識グラフが使用される。
  論文  参考訳（メタデータ） (2022-06-11T16:05:06Z)
• Digital Twin: From Concept to Practice [1.3633989508250934]
  本稿では,デジタルツインにおいて,実践者が適切なレベルの高度化を選択するためのフレームワークを提案する。 実生活における3つのケーススタディは、フレームワークの適用と有用性を示している。
  論文  参考訳（メタデータ） (2022-01-14T17:41:26Z)
• Pre-Trained Models: Past, Present and Future [126.21572378910746]
  大規模事前訓練モデル(PTM)は近年大きな成功を収め、人工知能(AI)分野におけるマイルストーンとなった。 知識を巨大なパラメータに格納し、特定のタスクを微調整することで、巨大なパラメータに暗黙的にエンコードされた豊富な知識は、さまざまな下流タスクの恩恵を受けることができる。 AIコミュニティが、モデルをスクラッチから学習するのではなく、下流タスクのバックボーンとしてPTMを採用することは、今、コンセンサスになっている。
  論文  参考訳（メタデータ） (2021-06-14T02:40:32Z)
• A Survey of Knowledge Tracing: Models, Variants, and Applications [70.69281873057619]
  知識追跡は、学生の行動データ分析の基本的なタスクの1つである。 我々は、異なる技術経路を持つ3種類の基本KTモデルを示す。 この急速に成長する分野における今後の研究の方向性について論じる。
  論文  参考訳（メタデータ） (2021-05-06T13:05:55Z)
• Dual Policy Distillation [58.43610940026261]
  教員政策を学生政策に転換する政策蒸留は、深層強化学習の課題において大きな成功を収めた。 本研究では,2人の学習者が同じ環境下で活動し,環境の異なる視点を探索する,学生学生による二重政策蒸留(DPD)を導入する。 この二重学習フレームワークを開発する上で重要な課題は、同時代の学習に基づく強化学習アルゴリズムにおいて、ピア学習者から有益な知識を特定することである。
  論文  参考訳（メタデータ） (2020-06-07T06:49:47Z)

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。