論文の概要: Investigating the Influence of Spatial Ability in Augmented Reality-assisted Robot Programming
- arxiv url: http://arxiv.org/abs/2602.03544v1
- Date: Tue, 03 Feb 2026 13:58:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.138423
- Title: Investigating the Influence of Spatial Ability in Augmented Reality-assisted Robot Programming
- Title（参考訳）: 拡張現実支援ロボットプログラミングにおける空間能力の影響の検討
- Authors: Nicolas Leins, Jana Gonnermann-Müller, Malte Teichmann, Sebastian Pokutta,
- Abstract要約: Augmented Reality(AR)は、学習を促進するための有望な機会を提供するが、そのメカニズムと効果はまだ完全には理解されていない。
本研究では,ロボットプログラミングの文脈において,空間能力がARによる学習経験に及ぼす影響について検討した。
- 参考スコア（独自算出の注目度）: 17.41874642505417
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Augmented Reality (AR) offers promising opportunities to enhance learning, but its mechanisms and effects are not yet fully understood. As learning becomes increasingly personalized, considering individual learner characteristics becomes more important. This study investigates the moderating effect of spatial ability on learning experience with AR in the context of robot programming. A between-subjects experiment ($N=71$) compared conventional robot programming to an AR-assisted approach using a head-mounted display. Participants' spatial ability was assessed using the Mental Rotation Test. The learning experience was measured through the System Usability Scale (SUS) and cognitive load. The results indicate that AR support does not significantly improve the learning experience compared to the conventional approach. However, AR appears to have a compensatory effect on the influence of spatial ability. In the control group, spatial ability was significantly positively associated with SUS scores and negatively associated with extraneous cognitive load, indicating that higher spatial ability predicts a better learning experience. In the AR condition, these relationships were not observable, suggesting that AR mitigated the disadvantage typically experienced by learners with lower spatial abilities. These findings suggest that AR can serve a compensatory function by reducing the influence of learner characteristics. Future research should further explore this compensatory role of AR to guide the design of personalized learning environments that address diverse learner needs and reduce barriers for learners with varying cognitive profiles.
- Abstract（参考訳）: Augmented Reality(AR)は、学習を促進するための有望な機会を提供するが、そのメカニズムと効果はまだ完全には理解されていない。
学習がパーソナライズされるにつれて、個々の学習者の特性を考えることがより重要になる。
本研究では,ロボットプログラミングの文脈において,空間能力がARによる学習経験に及ぼす影響について検討した。
従来のロボットプログラミングと、ヘッドマウントディスプレイを用いたAR支援アプローチを比較した。
被験者の空間能力は知的回転テストを用いて評価した。
学習経験は,SUS(System Usability Scale)と認知負荷を用いて測定した。
以上の結果から,従来のアプローチに比べ,ARサポートは学習経験を著しく改善するものではないことが示唆された。
しかし、ARは空間能力の影響を補う効果があるようである。
対照群では,空間能力はSUSスコアと有意な相関がみられ,認知負荷と負の相関がみられた。
AR条件では,これらの関係は観察不可能であり,空間能力の低い学習者が経験する不利を軽減したことが示唆された。
これらの結果から,ARは学習者特性の影響を低減し,補償機能として機能することが示唆された。
今後の研究は、多様な学習者のニーズに対応するパーソナライズされた学習環境の設計をガイドし、様々な認知的プロファイルを持つ学習者の障壁を減らすために、ARの補正的役割をさらに探求する。
関連論文リスト
- Enhanced Interpretable Knowledge Tracing for Students Performance Prediction with Human understandable Feature Space [2.053999499982333]
知識追跡(KT)は、学生の熟練度を評価し、将来のパフォーマンスを予測する上で中心的な役割を果たす。
我々の貢献は、予測力と解釈可能性のバランスを保ち、適応学習システムの有用性を推し進めることである。
論文 参考訳（メタデータ） (2025-09-22T13:47:28Z) - Efficient Machine Unlearning via Influence Approximation [75.31015485113993]
インフルエンサーベースのアンラーニングは、個別のトレーニングサンプルがモデルパラメータに与える影響を再トレーニングせずに推定する顕著なアプローチとして現れてきた。
本稿では,暗記(増分学習)と忘れ(未学習)の理論的関連性を確立する。
本稿では、インフルエンス近似アンラーニングアルゴリズムを導入し、インクリメンタルな視点から効率的なマシンアンラーニングを行う。
論文 参考訳（メタデータ） (2025-07-31T05:34:27Z) - Accessible Gesture-Driven Augmented Reality Interaction System [0.0]
Augmented Reality (AR) は没入型インタラクションを提供するが、運動障害や排他性に制限のあるユーザーにはアクセスできない。
本研究では,身振りの認識にディープラーニングを活用するAR環境のためのジェスチャーに基づくインタラクションシステムを提案する。
論文 参考訳（メタデータ） (2025-06-18T07:10:48Z) - Setup-Invariant Augmented Reality for Teaching by Demonstration with Surgical Robots [49.26692555627371]
本稿では,dV-STEARというオープンソースのシステムについて紹介する。
dV-STEARは腹腔鏡下手術の基本課題の初級成績を有意に改善した。
両課題とも,dV-STEARを用いた被験者では,手指使用のバランスが有意に改善し,フラストレーションの低下が報告された。
論文 参考訳（メタデータ） (2025-04-09T08:34:25Z) - Predictive auxiliary objectives in deep RL mimic learning in the brain [2.6703221234079946]
深層強化学習システムにおいて,予測補助目的が表現学習に与える影響について検討した。
予測的目的は,特に資源限定アーキテクチャにおける学習の改善と安定化を図っている。
我々は、RLシステムの補助的予測モデルと、記憶誘導行動を支援するための予測モデルを学ぶと考えられる海馬との関係を描いている。
論文 参考訳（メタデータ） (2023-10-09T19:06:25Z) - I am Only Happy When There is Light: The Impact of Environmental Changes
on Affective Facial Expressions Recognition [65.69256728493015]
本研究では,異なる画像条件が人間の表情からの覚醒の認識に与える影響について検討した。
以上の結果から,人間の感情状態の解釈が肯定的,否定的に大きく異なることが示唆された。
論文 参考訳（メタデータ） (2022-10-28T16:28:26Z) - ReIL: A Framework for Reinforced Intervention-based Imitation Learning [3.0846824529023387]
Reinforced Intervention-based Learning (ReIL) は、一般的な介入に基づく学習アルゴリズムとマルチタスク模倣学習モデルからなるフレームワークである。
実世界の移動ロボットナビゲーションの課題による実験結果から、ReILは性能の劣化に悩まされることなく、緩やかな監督補正から素早く学習できることが示唆された。
論文 参考訳（メタデータ） (2022-03-29T09:30:26Z) - Autonomous Reinforcement Learning: Formalism and Benchmarking [106.25788536376007]
人間や動物が行うような現実世界の具体的学習は、連続的で非エポゾディックな世界にある。
RLの一般的なベンチマークタスクはエピソジックであり、試行錯誤によってエージェントに複数の試行を行う環境がリセットされる。
この相違は、擬似環境向けに開発されたRLアルゴリズムを現実世界のプラットフォーム上で実行しようとする場合、大きな課題となる。
論文 参考訳（メタデータ） (2021-12-17T16:28:06Z) - Assessing Human Interaction in Virtual Reality With Continually Learning
Prediction Agents Based on Reinforcement Learning Algorithms: A Pilot Study [6.076137037890219]
本研究では,人間と学習の継続する予測エージェントの相互作用が,エージェントの能力の発達とともにどのように発達するかを検討する。
我々は、強化学習(RL)アルゴリズムから学習した予測が人間の予測を増大させる仮想現実環境と時間ベースの予測タスクを開発する。
以上の結果から,人的信頼はエージェントとの早期の相互作用に影響され,信頼が戦略的行動に影響を及ぼす可能性が示唆された。
論文 参考訳（メタデータ） (2021-12-14T22:46:44Z) - Improving Music Performance Assessment with Contrastive Learning [78.8942067357231]
本研究では,既存のMPAシステムを改善するための潜在的手法として,コントラスト学習について検討する。
畳み込みニューラルネットワークに適用された回帰タスクに適した重み付きコントラスト損失を導入する。
この結果から,MPA回帰タスクにおいて,コントラッシブ・ベースの手法がSoTA性能に適合し,超越できることが示唆された。
論文 参考訳（メタデータ） (2021-08-03T19:24:25Z) - Cognitive architecture aided by working-memory for self-supervised
multi-modal humans recognition [54.749127627191655]
人間パートナーを認識する能力は、パーソナライズされた長期的な人間とロボットの相互作用を構築するための重要な社会的スキルです。
ディープラーニングネットワークは最先端の結果を達成し,そのような課題に対処するための適切なツールであることが実証された。
1つの解決策は、ロボットに自己スーパービジョンで直接の感覚データから学習させることである。
論文 参考訳（メタデータ） (2021-03-16T13:50:24Z)
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。