論文の概要: Optimizing Mastery Learning by Fast-Forwarding Over-Practice Steps

• arxiv url: http://arxiv.org/abs/2506.17577v1
• Date: Sat, 21 Jun 2025 04:14:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.48218
• Title: Optimizing Mastery Learning by Fast-Forwarding Over-Practice Steps
• Title（参考訳）: オーバープラクティスステップの高速転送による熟達学習の最適化
• Authors: Meng Xia, Robin Schmucker, Conrad Borchers, Vincent Aleven,
• Abstract要約: ファストフォワードはオーバープラクティスを最大3分の1まで削減できる。 残りの全ての経路が完全にマスターされている場合、生徒が問題解決のステップを完了する必要はない。 ファストフォワードは学生の実践効率を向上させるかもしれないが、実践的な影響の大きさは学生のモチベーションを維持する能力にも依存する。
• 参考スコア（独自算出の注目度）: 8.654776900490965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mastery learning improves learning proficiency and efficiency. However, the overpractice of skills--students spending time on skills they have already mastered--remains a fundamental challenge for tutoring systems. Previous research has reduced overpractice through the development of better problem selection algorithms and the authoring of focused practice tasks. However, few efforts have concentrated on reducing overpractice through step-level adaptivity, which can avoid resource-intensive curriculum redesign. We propose and evaluate Fast-Forwarding as a technique that enhances existing problem selection algorithms. Based on simulation studies informed by learner models and problem-solving pathways derived from real student data, Fast-Forwarding can reduce overpractice by up to one-third, as it does not require students to complete problem-solving steps if all remaining pathways are fully mastered. Fast-Forwarding is a flexible method that enhances any problem selection algorithm, though its effectiveness is highest for algorithms that preferentially select difficult problems. Therefore, our findings suggest that while Fast-Forwarding may improve student practice efficiency, the size of its practical impact may also depend on students' ability to stay motivated and engaged at higher levels of difficulty.
• Abstract（参考訳）: 熟達学習は学習の習熟度と効率を向上させる。 しかし、スキルの過剰な実践 — 既に習得したスキルに時間を費やしている学生 — は、システムを教育する上で根本的な課題を残している。 従来の研究は、より良い問題選択アルゴリズムの開発と集中した実践タスクの作成を通じて過剰な実践を減らしてきた。 しかし、資源集約的なカリキュラムの再設計を避けるため、段階的な適応性を通じて過剰な実践を減らすことに集中する努力はほとんどない。 本稿では,既存の問題選択アルゴリズムを改良する手法として,Fast-Forwardingを提案し評価する。 学習者モデルと実際の学生データから導出される問題解決経路から得られるシミュレーション研究に基づいて、全パスが完全にマスターされた場合、生徒が問題解決ステップを完了させる必要がないため、高速フォワードは過剰な実践を最大3分の1まで削減することができる。 Fast-Forwardingは任意の問題選択アルゴリズムを強化するフレキシブルな手法である。 したがって, ファストフォワードは学生の実践効率を向上させる可能性があるが, 実践的影響の大きさは, 学生のモチベーションを保ち, より高い難易度で活動する能力にも依存する可能性が示唆された。

関連論文リスト

• Search-Based Adversarial Estimates for Improving Sample Efficiency in Off-Policy Reinforcement Learning [0.0]
  本稿では,この問題を緩和するための新しい,シンプルかつ効率的なアプローチとして,Adversarial Estimatesを提案する。 我々のアプローチは、学習を促進するために、小さな人間の軌道の集合からの潜在類似性探索を活用する。 本研究の結果から,適応推定を用いた学習アルゴリズムは,元のバージョンよりも高速に収束することがわかった。
  論文  参考訳（メタデータ） (2025-02-03T17:41:02Z)
• BloomWise: Enhancing Problem-Solving capabilities of Large Language Models using Bloom's-Taxonomy-Inspired Prompts [59.83547898874152]
  我々は,Bloomの分類にインスパイアされた新しいプロンプト技術であるBloomWiseを導入し,Large Language Models(LLMs)の性能を向上させる。 より洗練された認知スキルを身につける必要性に関する決定は、LLMによる自己評価に基づいている。 4つの一般的な算数推論データセットの広範な実験において,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-10-05T09:27:52Z)
• Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
  継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。 本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。 以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-15T17:10:51Z)
• Human-Inspired Framework to Accelerate Reinforcement Learning [1.6317061277457001]
  強化学習(Reinforcement Learning, RL)は、データサイエンスの意思決定において重要であるが、サンプルの不効率に悩まされている。 本稿では,RLアルゴリズムのサンプル効率を向上させるための,人間に触発された新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-28T13:15:04Z)
• Reusable Options through Gradient-based Meta Learning [24.59017394648942]
  エンド・ツー・エンドでオプションの形で時間的抽象化を学ぶために、いくつかのディープラーニングアプローチが提案された。 学習オプションの問題は、勾配に基づくメタ学習の問題である。 提案手法は,既存の手法よりも学習を加速し,性能を向上する伝達可能なコンポーネントを学習可能であることを示す。
  論文  参考訳（メタデータ） (2022-12-22T14:19:35Z)
• Teacher-student curriculum learning for reinforcement learning [1.7259824817932292]
  強化学習(rl)は、シーケンシャルな意思決定問題に対する一般的なパラダイムである。 深部強化学習手法のサンプル非効率性は,実世界の問題に適用する際の重要な障害である。 そこで我々は,学生が選択した課題の解き方を学習している間に,生徒の課題を選択する教師を同時に訓練する学習環境を提案する。
  論文  参考訳（メタデータ） (2022-10-31T14:45:39Z)
• Learning to Optimize Permutation Flow Shop Scheduling via Graph-based Imitation Learning [70.65666982566655]
  置換フローショップスケジューリング(PFSS)は製造業で広く使われている。 我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。 我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
  論文  参考訳（メタデータ） (2022-10-31T09:46:26Z)
• Planning for Sample Efficient Imitation Learning [52.44953015011569]
  現在の模倣アルゴリズムは、高い性能と高環境サンプル効率を同時に達成するのに苦労している。 本研究では,環境内サンプルの効率と性能を同時に達成できる計画型模倣学習手法であるEfficientImitateを提案する。 実験結果から,EIは性能と試料効率の両立を図った。
  論文  参考訳（メタデータ） (2022-10-18T05:19:26Z)
• Mastering Rate based Curriculum Learning [78.45222238426246]
  学習の進行という概念には、学習者のサンプル効率の低下につながるいくつかの欠点があると主張する。 本稿では,習得率の概念に基づく新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-14T16:34:01Z)

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。