論文の概要: LogicLearner: A Tool for the Guided Practice of Propositional Logic Proofs

• arxiv url: http://arxiv.org/abs/2503.19280v1
• Date: Tue, 25 Mar 2025 02:23:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 16:53:45.093678
• Title: LogicLearner: A Tool for the Guided Practice of Propositional Logic Proofs
• Title（参考訳）: LogicLearner: Propositional Logic Proofsのガイド付き実践ツール
• Authors: Amogh Inamdar, Uzay Macar, Michel Vazirani, Michael Tarnow, Zarina Mustapha, Natalia Dittren, Sam Sadeh, Nakul Verma, Ansaf Salleb-Aouissi,
• Abstract要約: 我々は、ガイド付き論理証明実践のためのWebアプリケーションであるLogicLearnerを開発した。 LogicLearnerは、ステップバイステップで論理証明を試みるインターフェースと、オンザフライでソリューションを生成する自動証明解決器で構成されている。
• 参考スコア（独自算出の注目度）: 2.649019945607464
• License:
• Abstract: The study of propositional logic -- fundamental to the theory of computing -- is a cornerstone of the undergraduate computer science curriculum. Learning to solve logical proofs requires repeated guided practice, but undergraduate students often lack access to on-demand tutoring in a judgment-free environment. In this work, we highlight the need for guided practice tools in undergraduate mathematics education and outline the desiderata of an effective practice tool. We accordingly develop LogicLearner, a web application for guided logic proof practice. LogicLearner consists of an interface to attempt logic proofs step-by-step and an automated proof solver to generate solutions on the fly, allowing users to request guidance as needed. We pilot LogicLearner as a practice tool in two semesters of an undergraduate discrete mathematics course and receive strongly positive feedback for usability and pedagogical value in student surveys. To the best of our knowledge, LogicLearner is the only learning tool that provides an end-to-end practice environment for logic proofs with immediate, judgment-free feedback.
• Abstract（参考訳）: 計算理論の基礎となる命題論理の研究は、学部のコンピュータサイエンスカリキュラムの基盤となっている。 論理的証明の解法は、繰り返し指導された実践を必要とするが、学部生は、判断自由な環境下でのオンデマンドの授業へのアクセスを欠いていることが多い。 本研究では,学部数学教育における指導的実践ツールの必要性を強調し,効果的な実践ツールのデシラタについて概説する。 そこで我々はLogicLearnerを開発した。 LogicLearnerは、ステップバイステップで論理証明を試みるインターフェースと、オンザフライでソリューションを生成する自動証明解決器で構成されており、ユーザーは必要に応じてガイダンスを要求できる。 そこで我々はLogicLearnerを2学年個別数学コースの実践ツールとして試験し,学生調査におけるユーザビリティと教育的価値に対する強い肯定的なフィードバックを得た。 私たちの知る限りでは、LogicLearnerは、すぐに、判断自由なフィードバックを持つ論理証明のためのエンドツーエンドの実践環境を提供する唯一の学習ツールです。

関連論文リスト

• Logical Modalities within the European AI Act: An Analysis [0.0]
  本稿では,その論理的モダリティの観点から,欧州AI法を包括的に分析する。 論理・多元的知識工学フレームワークと方法論の形式的な表現を準備することを目的としている。 LogiKEyは形式的手法に基づく規範的推論のための計算ツールを開発する。
  論文  参考訳（メタデータ） (2025-01-31T13:15:33Z)
• Learning Rules Explaining Interactive Theorem Proving Tactic Prediction [5.229806149125529]
  この問題を帰納論理プログラミング(ILP)タスクとして表現する。 ILP表現を使用することで、追加で計算コストの高いプロパティをエンコードすることで、機能空間を豊かにしました。 我々は、このリッチな特徴空間を用いて、与えられた証明状態に戦術がいつ適用されたかを説明する規則を学ぶ。
  論文  参考訳（メタデータ） (2024-11-02T09:18:33Z)
• LLM Critics Help Catch Bugs in Mathematics: Towards a Better Mathematical Verifier with Natural Language Feedback [71.95402654982095]
  本研究では,自然言語フィードバック型検証器Math-Minosを提案する。 実験の結果,少量の自然言語フィードバックが検証器の性能を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2024-06-20T06:42:27Z)
• Improving Complex Reasoning over Knowledge Graph with Logic-Aware Curriculum Tuning [89.89857766491475]
  カリキュラムベースの論理認識型チューニングフレームワークであるLACTを提案する。 具体的には、任意の一階論理クエリをバイナリツリー分解によって拡張する。 広く使われているデータセットに対する実験では、LATは高度な手法よりも大幅に改善(平均+5.5% MRRスコア)し、新しい最先端技術を実現している。
  論文  参考訳（メタデータ） (2024-05-02T18:12:08Z)
• Language Models can be Logical Solvers [99.40649402395725]
  論理解法の推論過程を直接エミュレートする新しい言語モデルであるLoGiPTを導入する。 LoGiPTは、導出的ソルバの見えない推論過程を明らかにして精錬することから導かれる、新しく構築された命令チューニングデータセットに基づいて微調整される。
  論文  参考訳（メタデータ） (2023-11-10T16:23:50Z)
• Empower Nested Boolean Logic via Self-Supervised Curriculum Learning [67.46052028752327]
  大規模言語モデルを含む事前学習された言語モデルは、多言語論理に直面するランダムセレクタのように振る舞う。 この基本的能力で言語モデルを強化するために,本稿では,新たな自己教師付き学習手法であるtextitCurriculum Logical Reasoning (textscClr) を提案する。
  論文  参考訳（メタデータ） (2023-10-09T06:54:02Z)
• Towards LogiGLUE: A Brief Survey and A Benchmark for Analyzing Logical Reasoning Capabilities of Language Models [56.34029644009297]
  大規模言語モデル(LLM)は、形式的知識表現(KR)システムの様々な制限を克服する能力を示した。 LLMは誘導的推論において最も優れているが、誘導的推論では最も効果が低い。 モデルの性能を評価するため,シングルタスクトレーニング,マルチタスクトレーニング,および「チェーンオブ思考」知識蒸留細調整技術について検討した。
  論文  参考訳（メタデータ） (2023-10-02T01:00:50Z)
• LogiGAN: Learning Logical Reasoning via Adversarial Pre-training [58.11043285534766]
  本稿では,言語モデルの論理的推論能力を向上させるために,教師なしの対人事前学習フレームワークLogiGANを提案する。 人間の学習におけるリフレクティブ思考の促進効果に着想を得て,逆生成検証アーキテクチャを用いて学習思考過程をシミュレートする。 LogiGANで事前トレーニングされたベースモデルと大規模言語モデルの両方で、12のデータセットで明らかなパフォーマンス改善が示されている。
  論文  参考訳（メタデータ） (2022-05-18T08:46:49Z)
• Adversarial Learning to Reason in an Arbitrary Logic [5.076419064097733]
  定理を証明するための既存のアプローチは、特定の論理とデータセットに焦点を当てている。 本稿では,任意の論理で動作可能な強化学習によって導かれるモンテカルロシミュレーションを提案する。
  論文  参考訳（メタデータ） (2022-04-06T11:25:19Z)
• Logic Tensor Networks [9.004005678155023]
  学習と推論をサポートする神経シンボリック形式論と計算モデルであるLogic Networks(LTN)を提示する。 LTNがいくつかのAIタスクの仕様と計算に一様言語を提供することを示す。
  論文  参考訳（メタデータ） (2020-12-25T22:30:18Z)

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。