Fugu-MT 論文翻訳(概要): Optimizing Geometry Problem Sets for Skill Development

論文の概要: Optimizing Geometry Problem Sets for Skill Development

arxiv url: http://arxiv.org/abs/2509.02758v1
Date: Tue, 02 Sep 2025 19:04:45 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-04 21:40:46.314299
Title: Optimizing Geometry Problem Sets for Skill Development
Title（参考訳）: スキル開発のための幾何学的問題集合の最適化
Authors: Michael Bouzinier, Sergey Trifonov,
Abstract要約: ユークリッド幾何学問題の注釈と整理は1990年代初頭に開発され、ソフトウェアツールとして実装された。我々は、現代の人工知能の文脈において、それが再び関係していると論じている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This article describes an ontology and methodology for annotating and organizing Euclidean Geometry problems, developed in the early 1990s and implemented as a software tool. While the majority of this work -- including the ontology and solution graph paradigm -- was completed over thirty years ago, we argue that it has renewed relevance in the context of modern artificial intelligence. In particular, we explore the hypothesis that this established framework can facilitate automated solution validation and feedback when paired with contemporary large language models, thereby supporting teachers and self-learners in geometry education. We document the original architecture and its enduring value, and outline pathways for bridging historical educational resources with next-generation AI techniques.
Abstract（参考訳）: この記事では、1990年代初頭に開発され、ソフトウェアツールとして実装されたユークリッド幾何学の問題を注釈付けし、整理するためのオントロジーと方法論について述べる。この研究の大部分は、オントロジーとソリューショングラフのパラダイムを含むが、30年以上前に完了したが、現代の人工知能の文脈において、新たな関連性があると主張している。特に,この確立したフレームワークは,現代の大規模言語モデルと組み合わせることで,自動解法検証とフィードバックを容易にし,幾何学教育における教師や自己学習者を支援することができるという仮説を考察する。我々は、原型アーキテクチャとその持続的価値を文書化し、次世代AI技術で歴史的教育資源をブリッジするための経路を概説する。

関連論文リスト

Revisiting Software Engineering Education in the Era of Large Language Models: A Curriculum Adaptation and Academic Integrity Framework [0.0]
本稿では、生成AIがコアソフトウェアエンジニアリング能力をどのように変化させるかを分析するための理論的枠組みを提案する。トルコのコンピュータ工学プログラムに注意が向けられ、中央集権的な規制、大規模なクラスサイズ、試験指向のアセスメントがこれらの課題を増幅している。
論文参考訳（メタデータ） (2026-01-06T22:41:47Z)
Achieving Olympia-Level Geometry Large Language Model Agent via Complexity Boosting Reinforcement Learning [66.79506488139707]
大規模言語モデル(LLM)エージェントは強力な数学的問題解決能力を示す。本研究では,メダリストレベルのメダリストレベルのLLMエージェントの構築とインターンジオメトリの紹介を行う。 InternGeometryは、命題と補助的な構成を反復的に提案することで幾何学の限界を克服し、それらを記号エンジンで検証する。 InternThinker-32BをベースとしたInternGeometryは、50 IMOの幾何学的問題の44を解き、平均金メダリストスコア(40.9)を超える。
論文参考訳（メタデータ） (2025-12-11T11:05:04Z)
A Survey on Generative Recommendation: Data, Model, and Tasks [55.36322811257545]
ジェネレーティブ・レコメンデーションは、差別的なスコアではなく、世代としてのレコメンデーションを再認識する。この調査は、データ、モデル、タスク次元にまたがる統合された三部構成のフレームワークを通じて包括的な調査を提供する。世界知識の統合、自然言語理解、推論能力、スケーリング法則、創造的生成の5つの主要な利点を特定します。
論文参考訳（メタデータ） (2025-10-31T04:02:58Z)
A Survey of Deep Learning for Geometry Problem Solving [52.90604903858389]
幾何学的問題解決は、教育、AIの数学的能力の評価、マルチモーダル能力の評価など、様々な領域で不可欠である。近年のディープラーニング技術、特にマルチモーダルな大規模言語モデルの出現は、この分野の研究を著しく加速させている。
論文参考訳（メタデータ） (2025-07-16T06:03:08Z)
Position: Beyond Euclidean -- Foundation Models Should Embrace Non-Euclidean Geometries [42.83280708842304]
ユークリッド空間は、機械学習アーキテクチャの事実上の幾何学的設定である。大規模では、実世界のデータは、多方向関係、階層、対称性、非等方スケーリングなど、本質的に非ユークリッド構造を示すことが多い。本稿では,ユークリッド幾何学を超越した移動は,単なる任意の拡張ではなく,次世代基礎モデルのスケーリング法則を維持することの必要性を論じる。
論文参考訳（メタデータ） (2025-04-11T18:07:33Z)
Beyond Euclid: An Illustrated Guide to Modern Machine Learning with Geometric, Topological, and Algebraic Structures [3.3229556004742347]
現代の機械学習は、本質的に非ユークリッド的なリッチな構造化されたデータに遭遇する。そのような非ユークリッドデータから知識を抽出するには、より広範な数学的視点が必要である。我々は最近の進歩を直感的な統合フレームワークに統合するグラフィカルな分類法を提案する。
論文参考訳（メタデータ） (2024-07-12T17:48:36Z)
Categorical semiotics: Foundations for Knowledge Integration [0.0]
ディープラーニングアーキテクチャの定義と分析のための包括的なフレームワークを開発するという課題に取り組む。我々の方法論は、ファジィ集合の宇宙の中で解釈されるエルレスマンのスケッチに類似したグラフィカル構造を用いる。このアプローチは、決定論的および非決定論的ニューラルネットワーク設計の両方をエレガントに包含する統一理論を提供する。
論文参考訳（メタデータ） (2024-04-01T23:19:01Z)
G-LLaVA: Solving Geometric Problem with Multi-Modal Large Language Model [121.07873620883322]
大規模言語モデル(LLM)は、人間レベルの推論と生成能力に顕著な習熟性を示している。 G-LLaVAは幾何学的問題の解法において例外的な性能を示し、7Bパラメータしか持たないMathVistaベンチマークにおいて GPT-4-V を著しく上回っている。
論文参考訳（メタデータ） (2023-12-18T17:36:20Z)
Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
論文参考訳（メタデータ） (2023-06-20T14:21:58Z)
Inter-GPS: Interpretable Geometry Problem Solving with Formal Language and Symbolic Reasoning [123.06420835072225]
3,002の幾何学的問題と密接なアノテーションを形式言語に含む新しい大規模ベンチマークGeometry3Kを構築します。我々は、Interpretable Geometry Problemsolvr (Inter-GPS)と呼ばれる形式言語と記号推論を用いた新しい幾何学的解法を提案する。イントラGPSは定理の知識を条件付き規則として取り入れ、記号的推論を段階的に行う。
論文参考訳（メタデータ） (2021-05-10T07:46:55Z)

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。