論文の概要: Enhancing Math Learning in an LMS Using AI-Driven Question Recommendations

• arxiv url: http://arxiv.org/abs/2504.14098v1
• Date: Fri, 18 Apr 2025 22:48:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 05:11:17.395173
• Title: Enhancing Math Learning in an LMS Using AI-Driven Question Recommendations
• Title（参考訳）: AI-Driven Question Recommendations を用いたLMSにおける数学学習の強化
• Authors: Justus Råmunddal,
• Abstract要約: 本稿では,近年のLMS(Learning Management System)における算数学習をAIによって強化する手法を提案する。 数学問題の深い埋め込みはメタのLlama-3.2-11B-Vision-Instructモデルを用いて生成される。 類似した質問を識別するために、コサイン類似性、自己組織化マップ(SOM)、ガウス混合モデル(GMM)の3つの推奨手法を適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents an AI-driven approach to enhance math learning in a modern Learning Management System (LMS) by recommending similar math questions. Deep embeddings for math questions are generated using Meta's Llama-3.2-11B-Vision-Instruct model, and three recommendation methods-cosine similarity, Self-Organizing Maps (SOM), and Gaussian Mixture Models (GMM)-are applied to identify similar questions. User interaction data, including session durations, response times, and correctness, are used to evaluate the methods. Our findings suggest that while cosine similarity produces nearly identical question matches, SOM yields higher user satisfaction whereas GMM generally underperforms, indicating that introducing variety to a certain degree may enhance engagement and thereby potential learning outcomes until variety is no longer balanced reasonably, which our data about the implementations of all three methods demonstrate.
• Abstract（参考訳）: 本稿では,近年のLMS(Learning Management System)における算数学習をAIによって強化する手法を提案する。 メタのLlama-3.2-11B-Vision-Instructモデルを用いて、数学問題の深層埋め込みを生成し、類似した質問を識別するために、コサイン類似性(cosine similarity)、自己組織化マップ(SOM)、ガウス混合モデル(GMM)の3つの推奨手法を適用する。 セッション期間、応答時間、正確性を含むユーザインタラクションデータを使用して、メソッドを評価する。 以上の結果から,コサインの類似性がほぼ同一の質問マッチを生成するのに対して,SOMはユーザ満足度が高いのに対して,GMMは概して性能が劣っていることが示唆された。

関連論文リスト

• SIaM: Self-Improving Code-Assisted Mathematical Reasoning of Large Language Models [54.78329741186446]
  本稿では,コードに基づく批判モデルを用いて,質問コードデータ構築,品質管理,補完的評価などのステップをガイドする新しいパラダイムを提案する。 英語と中国語におけるドメイン内ベンチマークとドメイン外ベンチマークの両方の実験は、提案したパラダイムの有効性を実証している。
  論文  参考訳（メタデータ） (2024-08-28T06:33:03Z)
• MindStar: Enhancing Math Reasoning in Pre-trained LLMs at Inference Time [51.5039731721706]
  MindStarは、大言語モデルの純粋に推論に基づく探索手法である。 推論タスクを探索問題として定式化し、最適な推論経路を特定するための2つの探索アイデアを提案する。 Llama-2-13BやMistral-7Bのようなオープンソースモデルの推論能力を大幅に向上させ、GPT-3.5やGrok-1に匹敵する性能を実現している。
  論文  参考訳（メタデータ） (2024-05-25T15:07:33Z)
• Provably Efficient Information-Directed Sampling Algorithms for Multi-Agent Reinforcement Learning [50.92957910121088]
  本研究は,情報指向サンプリング(IDS)の原理に基づくマルチエージェント強化学習(MARL)のための新しいアルゴリズムの設計と解析を行う。 エピソディックな2プレーヤゼロサムMGに対して、ナッシュ平衡を学習するための3つのサンプル効率アルゴリズムを提案する。 我々は、Reg-MAIDSをマルチプレイヤー汎用MGに拡張し、ナッシュ平衡または粗相関平衡をサンプル効率良く学習できることを証明する。
  論文  参考訳（メタデータ） (2024-04-30T06:48:56Z)
• A study on a Q-Learning algorithm application to a manufacturing assembly problem [0.8937905773981699]
  本研究では,対象物の集合問題に対する強化学習アルゴリズムの実装に焦点を当てた。 環境との連続的な相互作用からQ値の行列(Q-table)を学習することを考慮して,モデルフリーQ-Learningアルゴリズムを適用した。 最適化アプローチは、98.3%の時間で最適なアセンブリシーケンスを学習することで、非常に有望な結果を得た。
  論文  参考訳（メタデータ） (2023-04-17T15:38:34Z)
• Robust Unsupervised Multi-task and Transfer Learning on Gaussian Mixture Models [13.07916598175886]
  GMMにおけるマルチタスク学習問題について検討する。 本稿では,EMアルゴリズムに基づくマルチタスクGMM学習手法を提案する。 我々はGMMにおける伝達学習の課題に取り組むためのアプローチを一般化する。
  論文  参考訳（メタデータ） (2022-09-30T04:35:12Z)
• Automatic Data Augmentation via Invariance-Constrained Learning [94.27081585149836]
  下位のデータ構造は、しばしば学習タスクのソリューションを改善するために利用される。 データ拡張は、入力データに複数の変換を適用することで、トレーニング中にこれらの対称性を誘導する。 この作業は、学習タスクを解決しながらデータ拡張を自動的に適応することで、これらの問題に対処する。
  論文  参考訳（メタデータ） (2022-09-29T18:11:01Z)
• Exploration of Parameter Spaces Assisted by Machine Learning [0.0]
  本稿では、回帰と分類による機械学習モデルによる2つのサンプリング手順を示す。 主な目的は、関心のある領域内の可能性のある点を提案するためにニューラルネットワークを使用することで、計算にかかる時間の評価回数を減らすことである。
  論文  参考訳（メタデータ） (2022-07-20T15:09:16Z)
• S^3-Rec: Self-Supervised Learning for Sequential Recommendation with Mutual Information Maximization [104.87483578308526]
  本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。 そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。 6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-18T11:44:10Z)
• AdaS: Adaptive Scheduling of Stochastic Gradients [50.80697760166045]
  我々は、textit "knowledge gain" と textit "mapping condition" の概念を導入し、Adaptive Scheduling (AdaS) と呼ばれる新しいアルゴリズムを提案する。 実験によると、AdaSは派生した指標を用いて、既存の適応学習手法よりも高速な収束と優れた一般化、そして(b)いつトレーニングを中止するかを決定するための検証セットへの依存の欠如を示す。
  論文  参考訳（メタデータ） (2020-06-11T16:36:31Z)

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。