論文の概要: Sustainable and Adaptive Growth in Computing Education

• arxiv url: http://arxiv.org/abs/2510.16858v2
• Date: Sat, 08 Nov 2025 19:51:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 19:11:14.351009
• Title: Sustainable and Adaptive Growth in Computing Education
• Title（参考訳）: コンピュータ教育における持続的・適応的成長
• Authors: Enes Ayalp,
• Abstract要約: 本稿では,コンピュータ教育とプロフェッショナル開発が揮発性分野とどのように結びつくのか,という問題に対処する新たな枠組みを紹介する。 教育と専門職を結び、生涯にわたる再生可能な実践を確立することで、2つの反復的相互接続サイクル、教育と専門職を統合している。
• 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: Computing Education faces significant challenges in equipping graduates with the resilience necessary to remain relevant amid rapid technological change. While existing curricula cultivate computing competencies, they often fail to integrate strategies for sustaining and adapting these skills, leading to reduced career resilience and recurrent industry layoffs. The lack of educational emphasis on sustainability and adaptability amid industry changes perpetuates a vicious cycle: As industries shift, skill fragmentation and decay lead to displacement, which in turn causes further skill degradation. The ongoing deficiency in adaptability and sustainability among learners is reflected in the frequent and intense shifts across the industry. This issue is particularly evident in domains marked by high technological volatility such as computer graphics and game development, where computing concepts, including computational thinking and performance optimization, are uniquely and continuously challenged. To foster sustainable and adaptive growth, this paper introduces, a new framework which addresses the question: How can computing education and professional development be connected to in these volatile sectors? It integrates two iterative, interconnected cycles, an educational and a professional, by linking education with profession to establish a lifelong, renewable practice. This approach allows computing professionals to excel and maintain relevance amid constant changes across their industry.
• Abstract（参考訳）: コンピュータ教育は、急激な技術革新の中で関係を維持するために必要なレジリエンスを持つ卒業生を育成する上で、重大な課題に直面している。 既存のキュリキュラはコンピューティング能力を育てるが、これらのスキルの維持と適応のための戦略の統合に失敗し、キャリアのレジリエンスが低下し、業界のレイオフが繰り返される。 産業の変化に伴う持続可能性と適応性への教育的重点の欠如は、悪循環を持続させる。 学習者の適応性と持続可能性の欠如は、業界全体の頻繁かつ激しい変化に反映されている。 この問題は、コンピュータグラフィックスやゲーム開発のような高度な技術ボラティリティによって特徴づけられる領域において特に顕著であり、計算思考や性能最適化といった計算概念はユニークで継続的な課題である。 持続的かつ適応的な成長を促進するために,本稿では,これらの不安定な分野において,コンピューティング教育とプロフェッショナル開発をどのように結び付けることができるのか,という疑問に対処する新たな枠組みを紹介する。 教育と専門職を結び、生涯にわたる再生可能な実践を確立することで、2つの反復的相互接続サイクル、教育と専門職を統合している。 このアプローチにより、コンピューティングのプロフェッショナルは、業界全体にわたる変化の中で、関係性を強化し、維持することができる。

関連論文リスト

• Building Self-Evolving Agents via Experience-Driven Lifelong Learning: A Framework and Benchmark [57.59000694149105]
  本稿では、自己進化エージェントを構築するためのフレームワークである、経験駆動型生涯学習(ELL)を紹介する。 ELLは、Experience Exploration、Long-term Memory、Skill Learning、Knowledge Internalizationの4つのコア原則に基づいて構築されている。 また、学生の総合的な大学旅行をシミュレートするELLのベンチマークデータセットであるStuLifeを紹介した。
  論文  参考訳（メタデータ） (2025-08-26T13:04:28Z)
• Pretrained Bayesian Non-parametric Knowledge Prior in Robotic Long-Horizon Reinforcement Learning [10.598207472087578]
  強化学習(Reinforcement Learning, RL)の手法は通常、新しいタスクをゼロから学習する。 この研究は、潜在的な原始的なスキルモーションを未知の特徴を持つ非パラメトリックな特性を持つものとしてモデル化する手法を導入する。 非パラメトリックモデル、特にDirichlet Process Mixturesは、出生とマージによって強化され、スキルの多様な性質を効果的に捉えるための事前トレーニングに使用される。
  論文  参考訳（メタデータ） (2025-03-27T20:43:36Z)
• Parental Guidance: Efficient Lifelong Learning through Evolutionary Distillation [1.124958340749622]
  本研究では, 自然種再現, 多様性のバランス, 特殊化といった, 再生モジュールを含むフレームワークを提案する。 RL、模倣学習(IL)、進化的エージェント・テランのカリキュラムを統合することで、複雑なタスクを通じてエージェントを継続的に進化させる。 最初の実験では,この手法が探索効率を向上し,オープンエンド学習を支援することを示した。
  論文  参考訳（メタデータ） (2025-03-24T10:40:03Z)
• SkiLD: Unsupervised Skill Discovery Guided by Factor Interactions [48.003320766433966]
  この研究は、ローカル依存(スキルド)からのスキル発見を紹介します。 Skildは、環境内の異なる相互作用を誘発するスキルの習得を明示的に促進する、新しいスキル学習の目標を開発する。 本研究では,現実的なシミュレートされた家庭用ロボットドメインを含む,長期にわたる不利な報酬課題を伴う複数の領域におけるスキルドの評価を行った。
  論文  参考訳（メタデータ） (2024-10-24T04:01:59Z)
• One After Another: Learning Incremental Skills for a Changing World [19.051800747558794]
  スキル発見のための新たなフレームワークを提案する。 進化環境と静的環境の両方において、インクリメンタルスキルは現在の最先端のスキル発見方法よりも著しく優れていることを実証した。
  論文  参考訳（メタデータ） (2022-03-21T17:55:21Z)
• Discovering Generalizable Skills via Automated Generation of Diverse Tasks [82.16392072211337]
  本稿では,多種多様なタスクの自動生成による一般化可能なスキルの発見手法を提案する。 教師なしスキル発見の先行研究とは対照的に,本手法では各スキルをトレーニング可能なタスクジェネレータが生成するユニークなタスクとペアリングする。 生成したタスクにおけるロボットの動作に定義されたタスク判別器を共同で訓練し、多様性目標の低いエビデンスを推定する。 学習スキルは階層的な強化学習アルゴリズムで構成され、目に見えない目標タスクを解決する。
  論文  参考訳（メタデータ） (2021-06-26T03:41:51Z)
• Relative Variational Intrinsic Control [11.328970848714919]
  Relative Variational Intrinsic Control(RVIC)は、エージェントが環境との関係をどのように変えるかで区別できる学習スキルを奨励します。 本稿では,階層的強化学習において,既存の手法によるスキルよりもRVICのスキルが有用であることを示す。
  論文  参考訳（メタデータ） (2020-12-14T18:59:23Z)

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。