論文の概要: Making Evidence Actionable in Adaptive Learning Closing the Diagnostic Pedagogical Loop

• arxiv url: http://arxiv.org/abs/2511.13542v1
• Date: Mon, 17 Nov 2025 16:15:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:25.389217
• Title: Making Evidence Actionable in Adaptive Learning Closing the Diagnostic Pedagogical Loop
• Title（参考訳）: 診断学のループを閉鎖する適応学習におけるエビデンスの実現
• Authors: Amirreza Mehrabi, Jason Wade Morphew, Breejha Quezada, N. Sanjay Rebello,
• Abstract要約: 本研究では,インストラクターによるフィードバックループを裏付けるエビデンスを提示し,概念レベルの評価エビデンスを精査されたマイクロインターベンションに変換する。 適応学習アルゴリズムは、ギャップ閉鎖のハードな保証としての妥当性、時間と冗長性の予算付き制限としての注意、単一リソースへの過度な適合に対する保護としての多様性の3つのセーフガードを含む。
• 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: Adaptive learning often diagnoses precisely yet intervenes weakly, producing help that is mistimed or misaligned. This study presents evidence supporting an instructor-governed feedback loop that converts concept-level assessment evidence into vetted microinterventions. The adaptive learning algorithm includes three safeguards: adequacy as a hard guarantee of gap closure, attention as a budgeted limit for time and redundancy, and diversity as protection against overfitting to a single resource. We formulate intervention assignment as a binary integer program with constraints for coverage, time, difficulty windows derived from ability estimates, prerequisites encoded by a concept matrix, and anti-redundancy with diversity. Greedy selection serves low-richness and tight-latency settings, gradient-based relaxation serves rich repositories, and a hybrid switches along a richness-latency frontier. In simulation and in an introductory physics deployment with 1204 students, both solvers achieved full skill coverage for nearly all learners within bounded watch time. The gradient-based method reduced redundant coverage by about 12 percentage points relative to greedy and produced more consistent difficulty alignment, while greedy delivered comparable adequacy at lower computational cost in resource-scarce environments. Slack variables localized missing content and guided targeted curation, sustaining sufficiency across student subgroups. The result is a tractable and auditable controller that closes the diagnostic pedagogical loop and enables equitable, load-aware personalization at the classroom scale.
• Abstract（参考訳）: 適応学習は、しばしば正確に診断するが、弱く介入し、誤った時間や不一致の助けを生み出す。 本研究では,インストラクターによるフィードバックループを裏付けるエビデンスを提示し,概念レベルの評価エビデンスを精査されたマイクロインターベンションに変換する。 適応学習アルゴリズムは、ギャップ閉鎖のハードな保証としての妥当性、時間と冗長性の予算付き制限としての注意、単一リソースへの過度な適合に対する保護としての多様性の3つのセーフガードを含む。 本稿では,2進整数プログラムとして,範囲,時間,能力推定からの難易度ウィンドウ,概念行列で符号化された前提条件,多様性による反冗長性などの制約を課した介入代入を定式化する。 グレディセレクションは低いリッチネスとタイトなレイテンシ設定を提供し、勾配ベースの緩和はリッチリポジトリを提供し、リッチネスレイテンシフロンティアに沿ってハイブリッドスイッチを提供する。 シミュレーションと1204人の学生による入門物理学の展開において、双方の解法は、有界ウォッチ時間内のほぼすべての学習者に対して完全なスキルカバレッジを達成した。 勾配に基づく手法では、余剰カバレッジをgreedyと比較して約12パーセント削減し、より一貫性のあるコントラストアライメントを実現した。 Slackは、欠落したコンテンツをローカライズし、対象とするキュレーションをガイドし、学生サブグループ間で有効性を維持する。 その結果, 学童期ループを閉じて, 教室規模で公平かつ負荷に配慮したパーソナライズを可能にする, トラクタブルで監査可能なコントローラが実現した。

関連論文リスト

• AdaSwitch: Adaptive Switching Generation for Knowledge Distillation [58.647880811071495]
  スモール言語モデル(SLM)は、厳密な待ち時間と計算制約のあるアプリケーションには不可欠である。 トークンレベルでのオン・ポリティクスとオフ・ポリティクス・ジェネレーションを組み合わせた新しいアプローチであるAdaSwitchを提案する。 AdaSwitchは一貫して精度を向上し、SLMを蒸留するための実用的で効果的な方法を提供し、追加のオーバーヘッドを許容する。
  論文  参考訳（メタデータ） (2025-10-09T06:38:37Z)
• Resilient Constrained Learning [94.27081585149836]
  本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。 我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
  論文  参考訳（メタデータ） (2023-06-04T18:14:18Z)
• Adaptive Learning for the Resource-Constrained Classification Problem [14.19197444541245]
  リソース制約された分類タスクは、病気診断のためのテストの割り当てなど、現実世界のアプリケーションで一般的である。 資源制約と協調学習を反復的に微調整による誤分類コストによって考慮した適応学習手法を設計する。 資源制約のある分類問題に対処する手法のレパートリーとして,適応学習アプローチを重要視する。
  論文  参考訳（メタデータ） (2022-07-19T11:00:33Z)
• Safety and Liveness Guarantees through Reach-Avoid Reinforcement Learning [24.56889192688925]
  リーチ・アビド最適制御問題は、自律ロボットシステムの安全性と生存性保証の中心である。 性能目標を用いた最適制御問題を概ね解くための強化学習手法の最近の成功は、その認証問題への適用を魅力的にしている。 最近の研究は、安全型問題を扱うための強化学習機械の拡張を約束しており、その目的は和ではなく、時間とともに最小限(または最大)である。
  論文  参考訳（メタデータ） (2021-12-23T00:44:38Z)
• Improper Learning with Gradient-based Policy Optimization [62.50997487685586]
  未知のマルコフ決定過程に対して学習者がmベースコントローラを与えられる不適切な強化学習設定を考える。 制御器の不適切な混合のクラス上で動作する勾配に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-16T14:53:55Z)

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。

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。