論文の概要: The Right Kind of Help: Evaluating the Effectiveness of Intervention Methods in Elementary-Level Visual Programming
- arxiv url: http://arxiv.org/abs/2512.11735v1
- Date: Fri, 12 Dec 2025 17:22:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-15 15:48:11.856035
- Title: The Right Kind of Help: Evaluating the Effectiveness of Intervention Methods in Elementary-Level Visual Programming
- Title（参考訳）: ヘルプの正しい種類:初等レベルビジュアルプログラミングにおけるインターベンション手法の有効性の評価
- Authors: Ahana Ghosh, Liina Malva, Alkis Gotovos, Danial Hooshyar, Adish Singla,
- Abstract要約: 本稿では,小学校プログラミングにおける多種多様な介入手法の有効性を比較検討する。
具体的には、コード編集レコメンデーション(Code-Rec)、コード編集に基づくクイズ(Code-Quiz)、メタ認知戦略に基づくクイズ(Plan-Quiz)の3つの介入手法を比較した。
介入手法はすべて,学習後段階における生徒の問題解決能力を維持しながら,コントロールグループに対する学習性能を有意に向上させた。
- 参考スコア（独自算出の注目度）: 19.887538703101168
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Prior work has explored various intervention methods for elementary programming. However, the relative impact of these methods during the learning and post-learning phases remains unclear. In this work, we present a large-scale study comparing the effectiveness of various intervention methods in elementary programming both during learning and on novel tasks post-learning. Specifically, we compare three intervention methods: code-edit recommendations (Code-Rec), quizzes based on code edits (Code-Quiz), and quizzes based on metacognitive strategies (Plan-Quiz), along with a no-intervention control (group None). A total of 398 students (across grades 4-7) participated in a two-phase study: learning phase comprising write-code tasks from the Hour of Code: Maze Challenge with the intervention, followed by a post-learning phase comprising more advanced write-code tasks without any intervention. All intervention methods significantly improved learning performance over the control group while preserving students' problem-solving skills in the post-learning phase. Quiz-based methods further improved performance on novel post-learning tasks. Students in intervention groups also reported greater engagement and perceived skill growth.
- Abstract（参考訳）: 先行研究は、基礎プログラミングのための様々な介入手法を探求してきた。
しかし,これらの手法の学習・学習段階における相対的な影響はいまだ不明である。
本研究では,初等プログラミングにおける様々な介入手法の有効性を学習時と学習後の課題において比較した大規模研究を提案する。
具体的には、コード編集レコメンデーション(Code-Rec)、コード編集(Code-Quiz)に基づくクイズ(Code-Quiz)、メタ認知戦略(Plan-Quiz)に基づくクイズ(no-intervention control(group None)の3つの介入手法を比較した。
398人の学生(学年4～7年生)が2段階の研究に参加した: プログラミングの時間から書きコードタスクを構成する学習段階: 介入を伴う迷路チャレンジ、そして、介入なしにより高度な書きコードタスクを含む後学習段階。
介入手法はすべて,学習後段階における生徒の問題解決能力を維持しながら,コントロールグループに対する学習性能を有意に向上させた。
クイズに基づく手法は、新しいポストラーニングタスクのパフォーマンスをさらに向上させる。
介入集団の学生も、より大きなエンゲージメントとスキル成長の認知を報告した。
関連論文リスト
- Supervised Contrastive Learning for Ordinal Engagement Measurement [2.166000001057538]
学生のエンゲージメントは、教育プログラムの納入を成功させる上で重要な役割を担っている。
本稿では、クラス不均衡とエンゲージメントレベルへの秩序導入という、この問題における2つの重要な課題を明らかにする。
仮想学習環境におけるビデオベースの学生エンゲージメント測定への新しいアプローチを提案する。
論文 参考訳（メタデータ） (2025-05-27T03:49:45Z) - Improving Knowledge Distillation in Transfer Learning with Layer-wise Learning Rates [6.783548275689542]
本稿では,出力アクティベーションのヤコビアン/アテンション/ヘシアン差の関数として,層ごとの学習パラメータを調整する階層ワイズ学習方式を提案する。
幅広いデータセットに対する学習性能と安定性が改善されました。
論文 参考訳（メタデータ） (2024-07-05T21:35:17Z) - Exploring CausalWorld: Enhancing robotic manipulation via knowledge transfer and curriculum learning [6.683222869973898]
本研究では,指間の複雑な動きと協調を必要とする,学習に基づく三指ロボットアーム操作タスクについて検討する。
強化学習を利用することで、エージェントに熟練した操作に必要なスキルを習得するよう訓練する。
微調整とカリキュラム学習という2つの知識伝達戦略を,ソフトアクター・クリティカルなアーキテクチャで活用した。
論文 参考訳（メタデータ） (2024-03-25T23:19:19Z) - RLIF: Interactive Imitation Learning as Reinforcement Learning [56.997263135104504]
我々は,対話型模倣学習と類似するが,さらに実践的な仮定の下で,非政治強化学習によってパフォーマンスが向上できることを実証する。
提案手法は,ユーザ介入信号を用いた強化学習を報奨として利用する。
このことは、インタラクティブな模倣学習において介入する専門家がほぼ最適であるべきだという仮定を緩和し、アルゴリズムが潜在的に最適でない人間の専門家よりも改善される行動を学ぶことを可能にする。
論文 参考訳（メタデータ） (2023-11-21T21:05:21Z) - Integrating Curricula with Replays: Its Effects on Continual Learning [3.2489082010225494]
人間は、新しいスキルや知識を得る際に、カリキュラムを使って学習とレビューを行う。
目標は、人間の学習プロセスをエミュレートし、知識の保持を改善し、学習の伝達を容易にすることである。
継続学習エージェントにおける既存のリプレイ手法には、以前のタスクからのデータのランダムな選択と順序付けが含まれる。
論文 参考訳（メタデータ） (2023-07-08T14:14:55Z) - Active Continual Learning: On Balancing Knowledge Retention and
Learnability [43.6658577908349]
一連のタスクで学んだことを忘れずに新しい知識を取得することは、継続学習(CL)の中心的焦点である。
本稿では, 能動連続学習(ACL)の課題の列における未探索問題について考察する。
ドメイン,クラス,タスクインクリメンタルシナリオにおける複数のALアルゴリズムとCLアルゴリズムの有効性と相互作用について検討する。
論文 参考訳（メタデータ） (2023-05-06T04:11:03Z) - Measuring and Harnessing Transference in Multi-Task Learning [58.48659733262734]
マルチタスク学習は、あるタスクによって学習された情報を活用して、他のタスクのトレーニングに役立てることができる。
情報伝達や伝達のダイナミクスを、トレーニングを通して分析する。
論文 参考訳（メタデータ） (2020-10-29T08:25:43Z) - Multi-task Supervised Learning via Cross-learning [102.64082402388192]
我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。
我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。
これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
論文 参考訳（メタデータ） (2020-10-24T21:35:57Z) - Importance Weighted Policy Learning and Adaptation [89.46467771037054]
政治外学習の最近の進歩の上に構築された,概念的にシンプルで,汎用的で,モジュール的な補完的アプローチについて検討する。
このフレームワークは確率論的推論文学のアイデアにインスパイアされ、堅牢な非政治学習と事前の行動を組み合わせる。
提案手法は,メタ強化学習ベースラインと比較して,ホールドアウトタスクにおける競合適応性能を実現し,複雑なスパース・リワードシナリオにスケールすることができる。
論文 参考訳（メタデータ） (2020-09-10T14:16:58Z)
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。