論文の概要: EDGE: A Theoretical Framework for Misconception-Aware Adaptive Learning
- arxiv url: http://arxiv.org/abs/2508.07224v1
- Date: Sun, 10 Aug 2025 08:06:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-12 21:23:28.763771
- Title: EDGE: A Theoretical Framework for Misconception-Aware Adaptive Learning
- Title（参考訳）: 誤解認識型適応学習のための理論的フレームワークEDGE
- Authors: Ananda Prakash Verma,
- Abstract要約: EDGEは, 評価, 診断, 生成, 演習の4段階からなる, 誤解を考慮した適応学習フレームワークである。
We formalize a Composite Readiness metric, EdgeScore, prove its monotonicity and Lipschitz continuity, and der derived an index policy that is almost-optimal under mild assumptions on forgeting and learning gains。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present EDGE, a general-purpose, misconception-aware adaptive learning framework composed of four stages: Evaluate (ability and state estimation), Diagnose (posterior infer-ence of misconceptions), Generate (counterfactual item synthesis), and Exercise (index-based retrieval scheduling). EDGE unifies psychometrics (IRT/Bayesian state space models), cog-nitive diagnostics (misconception discovery from distractor patterns and response latencies), contrastive item generation (minimal perturbations that invalidate learner shortcuts while pre-serving psychometric validity), and principled scheduling (a restless bandit approximation to spaced retrieval). We formalize a composite readiness metric, EdgeScore, prove its monotonicity and Lipschitz continuity, and derive an index policy that is near-optimal under mild assumptions on forgetting and learning gains. We further establish conditions under which counterfactual items provably reduce the posterior probability of a targeted misconception faster than standard practice. The paper focuses on theory and implementable pseudocode; empirical study is left to future work.
- Abstract（参考訳）: EDGEは,評価(可能性と状態推定),診断(誤認識の後の推論),生成(数値項目合成),実行(インデックスに基づく検索スケジューリング)の4段階からなる汎用的,誤認識対応学習フレームワークである。
EDGEは、サイコメトリックス(IRT/ベイズ状態空間モデル)、コグ陰性診断(注意パターンと応答遅延からの誤認発見)、コントラストアイテム生成(学習者のショートカットを無効にし、サイコメトリック妥当性を保った最小の摂動)、原則的スケジューリング(レスレスト・バンディット近似)を統一する。
We formalize a Composite Readiness metric, EdgeScore, prove its monotonicity and Lipschitz continuity, and der derived an index policy that is almost-optimal under mild assumptions on forgeting and learning gains。
さらに、偽造品が標準よりも高速に対象の誤解の後の確率を確実に減少させる条件を確立する。
この論文は理論と実装可能な擬似コードに焦点を当てており、実証的研究は今後の研究に委ねられている。
関連論文リスト
- Probably Approximately Correct Causal Discovery [21.260465708905585]
本稿では,PACC (Probably Aough correct Causal) Discovery フレームワークを提案する。
このフレームワークは、確立された因果的手法の計算効率とサンプル効率の両方を強調している。
また、他の広く使われている方法の理論的保証を提供することもできる。
論文 参考訳（メタデータ） (2025-07-25T02:51:15Z) - General and Estimable Learning Bound Unifying Covariate and Concept Shifts [1.1077154107564848]
我々は、広い損失関数、ラベル空間、ラベル付けに適用される新しい統一誤差境界を開発することにより、理論と実践的応用のギャップを埋める。
また,ほとんどの分散シフトにおけるエラー境界を定量化するアルゴリズムを開発し,分散シフト下での学習エラーを分析するための厳密で汎用的なツールを開発した。
論文 参考訳（メタデータ） (2025-06-15T12:18:05Z) - Consistency-based Abductive Reasoning over Perceptual Errors of Multiple Pre-trained Models in Novel Environments [5.5855749614100825]
本稿では,複数の事前学習モデルを活用することで,このリコール低減を緩和できるという仮説を述べる。
我々は,一貫性に基づく推論問題として,様々なモデルからの矛盾する予測を特定し,管理することの課題を定式化する。
本研究は,複数の不完全なモデルから得られた知識を,難易度の高い新しいシナリオにおいて堅牢に統合するための効果的なメカニズムとして,一貫性に基づく誘拐の有効性を検証するものである。
論文 参考訳（メタデータ） (2025-05-25T23:17:47Z) - Stochastic Forward-Forward Learning through Representational Dimensionality Compression [7.847900313045352]
フォワードフォワード(FF)アルゴリズムは、ニューラルネットワークのトレーニングのためのバックプロパゲーション(BP)のボトムアップ代替を提供する。
本稿では, 2次統計構造を組み込むために, 変動するニューラルレスポンスの有効次元性(ED)を用いて, 次元圧縮と呼ばれる新しい良性関数を提案する。
論文 参考訳（メタデータ） (2025-05-22T13:19:29Z) - Beyond Progress Measures: Theoretical Insights into the Mechanism of Grokking [50.465604300990904]
グロキング(Grokking)とは、オーバーフィッティングの拡張後のテスト精度の急激な改善を指す。
本研究では、素数演算のタスクにおいて、Transformerの基盤となるグルーキング機構について検討する。
論文 参考訳（メタデータ） (2025-04-04T04:42:38Z) - Learnability, Sample Complexity, and Hypothesis Class Complexity for
Regression Models [10.66048003460524]
この研究はPACの基礎に触発され、既存の回帰学習問題に動機付けられている。
提案手法はEpsilon-Confidence Aough Correct (epsilon CoAC)で示され、Kullback Leibler divergence(相対エントロピー)を利用する。
これにより、学習者は異なる複雑性順序の仮説クラスを比較でき、それらの中から最小のエプシロンを最適に選択できる。
論文 参考訳（メタデータ） (2023-03-28T15:59:12Z) - Scalable PAC-Bayesian Meta-Learning via the PAC-Optimal Hyper-Posterior:
From Theory to Practice [54.03076395748459]
メタラーニング文学の中心的な疑問は、目に見えないタスクへの一般化を保証するために、いかに正規化するかである。
本稿では,Rothfussらによって最初に導かれたメタラーニングの一般化について述べる。
PAC-Bayesian per-task 学習境界におけるメタラーニングの条件と程度について,理論的解析および実証事例研究を行った。
論文 参考訳（メタデータ） (2022-11-14T08:51:04Z) - Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。
我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
論文 参考訳（メタデータ） (2022-04-05T12:52:45Z) - Chaos is a Ladder: A New Theoretical Understanding of Contrastive
Learning via Augmentation Overlap [64.60460828425502]
コントラスト学習の下流性能に関する新たな保証を提案する。
我々の新しい理論は、攻撃的なデータ強化の下で、異なるクラス内サンプルのサポートがより重なり合うという知見に基づいている。
本稿では、下流の精度とよく一致した教師なしモデル選択距離ARCを提案する。
論文 参考訳（メタデータ） (2022-03-25T05:36:26Z)
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。