論文の概要: A Bandit-Based Approach to Educational Recommender Systems: Contextual Thompson Sampling for Learner Skill Gain Optimization

• arxiv url: http://arxiv.org/abs/2602.04347v1
• Date: Wed, 04 Feb 2026 09:14:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.448969
• Title: A Bandit-Based Approach to Educational Recommender Systems: Contextual Thompson Sampling for Learner Skill Gain Optimization
• Title（参考訳）: 教育レコメンダシステムに対する帯域ベースアプローチ:学習者のスキル向上のための文脈的トンプソンサンプリング
• Authors: Lukas De Kerpel, Arthur Thuy, Dries F. Benoit,
• Abstract要約: 本稿では,各ステップ毎に,学習者の目標とするスキルに対する理解を深める可能性が最も高いエクササイズを選択することで,個別化されたエクササイズ列を生成する手法を提案する。 オンライン数学学習プラットフォームからのデータを用いて、より高度なスキル向上に関連するエクササイズを推奨し、学習者間の差異に効果的に適用する。 教育的な観点から、このフレームワークは大規模にパーソナライズされた実践を可能にし、一貫した学習価値を持つエクササイズを強調し、インストラクターが追加的なサポートの恩恵を受けることができる学習者を特定するのに役立つ。
• 参考スコア（独自算出の注目度）: 0.45880283710344055
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, instructional practices in Operations Research (OR), Management Science (MS), and Analytics have increasingly shifted toward digital environments, where large and diverse groups of learners make it difficult to provide practice that adapts to individual needs. This paper introduces a method that generates personalized sequences of exercises by selecting, at each step, the exercise most likely to advance a learner's understanding of a targeted skill. The method uses information about the learner and their past performance to guide these choices, and learning progress is measured as the change in estimated skill level before and after each exercise. Using data from an online mathematics tutoring platform, we find that the approach recommends exercises associated with greater skill improvement and adapts effectively to differences across learners. From an instructional perspective, the framework enables personalized practice at scale, highlights exercises with consistently strong learning value, and helps instructors identify learners who may benefit from additional support.
• Abstract（参考訳）: 近年,オペレーショナルリサーチ (OR) やマネジメントサイエンス (MS) ,アナリティクス (Analytics) などの教育実践がデジタル環境へとシフトしつつある。 本稿では,各ステップ毎に,学習者の目標とするスキルに対する理解を深める可能性が最も高いエクササイズを選択することで,個別化されたエクササイズ列を生成する手法を提案する。 この方法は、学習者とその過去のパフォーマンスに関する情報を用いて、これらの選択をガイドし、各エクササイズ前後の予測スキルレベルの変化として学習進捗を計測する。 オンライン数学学習プラットフォームからのデータを用いて、より高度なスキル向上に関連するエクササイズを推奨し、学習者間の差異に効果的に適用する。 教育的な観点から、このフレームワークは大規模にパーソナライズされた実践を可能にし、一貫した学習価値を持つエクササイズを強調し、インストラクターが追加的なサポートの恩恵を受けることができる学習者を特定するのに役立つ。

関連論文リスト

• Adaptive Learning Systems: Personalized Curriculum Design Using LLM-Powered Analytics [14.157213827899342]
  大規模言語モデル(LLM)は、個々の学生のニーズに合わせてパーソナライズされた学習体験を可能にすることによって、教育分野に革命をもたらしている。 本稿では LLM を利用した分析を応用した適応学習システムのためのフレームワークについて紹介する。
  論文  参考訳（メタデータ） (2025-07-25T04:36:17Z)
• Dynamic Skill Adaptation for Large Language Models [78.31322532135272]
  動的スキル適応(Dynamic Skill Adaptation, DSA)は, 言語モデル(LLM)に新しい複雑なスキルを適応させる適応的かつ動的フレームワークである。 各スキルに対して,学習前スキルの詳細な記述を含む教科書的データと,学習前スキルの具体的活用を目標とした演習的データの両方を生成する。 LLAMA や Mistral のような大規模言語モデルを用いた実験は,提案手法が数学推論スキルや社会学習スキルに適応する上で有効であることを示す。
  論文  参考訳（メタデータ） (2024-12-26T22:04:23Z)
• 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)
• Knowledge Tracing Challenge: Optimal Activity Sequencing for Students [0.9814642627359286]
  知識追跡(きゅうがく、英: Knowledge Trace)は、個々の学習者による知識の獲得を評価・追跡する教育において用いられる手法である。 我々は,AAAI2023 Global Knowledge Tracing Challengeの一環として,新たにリリースされたデータセット上に2つの知識追跡アルゴリズムを実装した結果を示す。
  論文  参考訳（メタデータ） (2023-11-13T16:28:34Z)
• Enhancing Digital Health Services: A Machine Learning Approach to Personalized Exercise Goal Setting [8.146832452474777]
  本研究の目的は、振り返りデータとリアルな行動軌跡を用いて自動提案運動目標を動的に更新する機械学習アルゴリズムを開発することである。 深層強化学習アルゴリズムは、深層学習技術を組み合わせて時系列データを分析し、ユーザの運動行動を推測する。
  論文  参考訳（メタデータ） (2022-04-03T01:19:20Z)
• Teaching with Commentaries [108.62722733649542]
  コメントとメタ情報を用いたフレキシブルな教育フレームワークを提案する。 解説はトレーニングのスピードと/またはパフォーマンスを改善することができる。 パフォーマンスのメリットを得るために、新しいモデルをトレーニングするときに、コメンタリを再利用できる。
  論文  参考訳（メタデータ） (2020-11-05T18:52:46Z)
• Meta-learning the Learning Trends Shared Across Tasks [123.10294801296926]
  グラディエントベースのメタ学習アルゴリズムは、限られたデータで新しいタスクに素早く適応する。 既存のメタ学習アプローチは、適応中の現在のタスク情報にのみ依存する。 パターン認識型メタラーニング手法を提案する。
  論文  参考訳（メタデータ） (2020-10-19T08:06:47Z)
• Teaching to Learn: Sequential Teaching of Agents with Inner States [20.556373950863247]
  学習者の内的状態が授業の相互作用によって変化するようなマルチエージェントの定式化を導入する。 このような学習者を指導するために,学習者の今後のパフォーマンスを考慮に入れた最適制御手法を提案する。
  論文  参考訳（メタデータ） (2020-09-14T07:03:15Z)
• Revisiting Meta-Learning as Supervised Learning [69.2067288158133]
  メタラーニングと従来の教師付き学習の関連性を再考し,強化することで,原則的,統一的なフレームワークの提供を目指す。 タスク固有のデータセットとターゲットモデルを(機能、ラベル)サンプルとして扱うことで、多くのメタ学習アルゴリズムを教師付き学習のインスタンスに還元することができる。 この視点は、メタラーニングを直感的で実践的なフレームワークに統一するだけでなく、教師付き学習から直接洞察を伝達してメタラーニングを改善することができる。
  論文  参考訳（メタデータ） (2020-02-03T06:13:01Z)

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。