論文の概要: PACE: A Personalized Adaptive Curriculum Engine for 9-1-1 Call-taker Training
- arxiv url: http://arxiv.org/abs/2603.05361v1
- Date: Thu, 05 Mar 2026 16:42:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-06 22:06:11.327303
- Title: PACE: A Personalized Adaptive Curriculum Engine for 9-1-1 Call-taker Training
- Title（参考訳）: PACE:9-1-1コールタッカートレーニングのためのパーソナライズされた適応型カリキュラムエンジン
- Authors: Zirong Chen, Hongchao Zhang, Meiyi Ma,
- Abstract要約: 9-1-1 コールテイクトレーニングには1000以上の相互依存スキルの習得が必要である。
このパーソナライゼーションの負担は、現在のプラクティスではスケールできないものです。
我々は、トレーナーの意思決定を強化するコパイロットシステムであるPACEを提案する。
- 参考スコア（独自算出の注目度）: 9.022819022004503
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 9-1-1 call-taking training requires mastery of over a thousand interdependent skills, covering diverse incident types and protocol-specific nuances. A nationwide labor shortage is already straining training capacity, but effective instruction still demands that trainers tailor objectives to each trainee's evolving competencies. This personalization burden is one that current practice cannot scale. Partnering with Metro Nashville Department of Emergency Communications (MNDEC), we propose PACE (Personalized Adaptive Curriculum Engine), a co-pilot system that augments trainer decision-making by (1) maintaining probabilistic beliefs over trainee skill states, (2) modeling individual learning and forgetting dynamics, and (3) recommending training scenarios that balance acquisition of new competencies with retention of existing ones. PACE propagates evidence over a structured skill graph to accelerate diagnostic coverage and applies contextual bandits to select scenarios that target gaps the trainee is prepared to address. Empirical results show that PACE achieves 19.50% faster time-to-competence and 10.95% higher terminal mastery compared to state-of-the-art frameworks. Co-pilot studies with practicing training officers further demonstrate a 95.45% alignment rate between PACE's and experts' pedagogical judgments on real-world cases. Under estimation, PACE cuts turnaround time to merely 34 seconds from 11.58 minutes, up to 95.08% reduction.
- Abstract（参考訳）: 9-1-1コールテイクトレーニングには、さまざまなインシデントタイプとプロトコル固有のニュアンスをカバーする、1,000以上の相互依存スキルの習得が必要である。
全国の労働力不足はすでに訓練能力の低下に悩まされているが、効果的な指導は訓練者が各訓練生の進化する能力に合わせて目標を調整することを要求する。
このパーソナライゼーションの負担は、現在のプラクティスではスケールできないものです。
PACE(Personalized Adaptive Curriculum Engine)は,(1)訓練者のスキル状態に対する確率的信念の維持,(2)個人学習のモデリングとダイナミクスの忘れ方,(3)既存のスキルの保持と新たな能力の獲得のバランスをとるためのトレーニングシナリオを提案する。
PACEは、構造化されたスキルグラフ上のエビデンスを伝播して、診断カバレッジを加速し、トレーニング担当者が対処する準備が整ったギャップをターゲットとするシナリオの選択にコンテキストブレイディットを適用します。
実証実験の結果、PACEは最先端のフレームワークに比べて19.50%高速で、端末の熟練度は10.95%向上した。
PACEと専門家の現実世界のケースに対する教育的判断との間に95.45%の整合性を示す。
推定では、PSEはターンアラウンド時間を11.58分からわずか34秒に短縮し、95.08%まで短縮した。
関連論文リスト
- Real-World Design and Deployment of an Embedded GenAI-powered 9-1-1 Calltaking Training System: Experiences and Lessons Learned [5.951101028540166]
緊急コールテイカーは、公共の安全対策における最初の運用リンクとなる。
従来のトレーニングアプローチは、現実の制約の下でスケールするのに苦労します。
我々は、メトロナッシュビル救急通信省と協力し、GenAIを利用したコールテイク訓練システムを設計、開発、展開した。
論文 参考訳（メタデータ） (2026-01-30T18:05:59Z) - No Need for Learning to Defer? A Training Free Deferral Framework to Multiple Experts through Conformal Prediction [3.746889836344766]
本稿では,共形予測に基づくエキスパート推論のための訓練不要,モデル非依存,エキスパート非依存のフレームワークを提案する。
我々の手法は、スタンドアローンモデルと最強の専門家の両方より一貫して優れています。
論文 参考訳（メタデータ） (2025-09-16T02:01:21Z) - Fast Adaptation with Behavioral Foundation Models [82.34700481726951]
教師なしゼロショット強化学習は、行動基礎モデルの事前学習のための強力なパラダイムとして登場した。
有望な結果にもかかわらず、ゼロショットポリシーは、教師なしのトレーニングプロセスによって引き起こされるエラーにより、しばしば準最適である。
本稿では,事前訓練されたBFMの低次元タスク埋め込み空間を探索し,ゼロショットポリシーの性能を急速に向上させる高速適応手法を提案する。
論文 参考訳（メタデータ） (2025-04-10T16:14:17Z) - Optimistic Verifiable Training by Controlling Hardware Nondeterminism [22.85808027490485]
トレーニング中のGPUタイプ間の非決定性は、トレーニングプロセスの正確な複製を防ぐ。
本稿では,目標よりも高精度なトレーニング,中間計算後のラウンドリング,適応的しきい値決定に基づくラウンドリング決定の共有を併用する手法を提案する。
検証可能なトレーニング手法は,証明ベースシステムと比較して,ストレージと時間コストを著しく削減する。
論文 参考訳（メタデータ） (2024-03-14T17:44:35Z) - Rethinking Closed-loop Training for Autonomous Driving [82.61418945804544]
本研究は,学習エージェントの成功に対する異なるトレーニングベンチマーク設計の影響を分析した最初の実証的研究である。
複数ステップのルックアヘッドで計画を行うRLベースの駆動エージェントであるtrajectory value learning (TRAVL)を提案する。
実験の結果,TRAVLはすべてのベースラインと比較してより速く学習でき,安全な操作が可能であることがわかった。
論文 参考訳（メタデータ） (2023-06-27T17:58:39Z) - GAT: Guided Adversarial Training with Pareto-optimal Auxiliary Tasks [73.88590165742721]
本稿では,限られた訓練データの下で補助的なタスクを活用する新しい対人訓練手法を提案する。
本手法は, 対戦学習の最小値最適化において, シングルタスクモデルをマルチタスクモデルに拡張する。
我々は、ガイド付きマルチタスク学習が、モデルロバスト性の境界をさらに推し進めるために、実践的で有望な方法であることを実証する。
論文 参考訳（メタデータ） (2023-02-06T16:23:24Z) - ACE: Ally Complementary Experts for Solving Long-Tailed Recognition in
One-Shot [35.309006275276374]
一段長尾認識法は、全体的な性能を「シーソー」方式で改善する。
既存のアルゴリズムは、そのようなトレードオフを多段階のトレーニングプロセスによって回避する。
我々は,一段階の長尾認識手法,アリー補完専門家(ACE)を提案する。
論文 参考訳（メタデータ） (2021-08-05T05:31:57Z) - Once-for-All Adversarial Training: In-Situ Tradeoff between Robustness
and Accuracy for Free [115.81899803240758]
敵の訓練とその多くの変種は、ネットワークの堅牢性を大幅に改善するが、標準精度を妥協するコストがかかる。
本稿では,訓練されたモデルをその場で迅速に校正する方法を問うとともに,その標準と堅牢な精度のトレードオフについて検討する。
提案するフレームワークであるOne-for-all Adversarial Training (OAT)は,革新的なモデル条件トレーニングフレームワーク上に構築されている。
論文 参考訳（メタデータ） (2020-10-22T16:06:34Z) - Adversarial Robustness: From Self-Supervised Pre-Training to Fine-Tuning [134.15174177472807]
対戦型トレーニングを自己超越に導入し,汎用的な頑健な事前訓練モデルを初めて提供する。
提案するフレームワークが大きなパフォーマンスマージンを達成できることを示すため,広範な実験を行う。
論文 参考訳（メタデータ） (2020-03-28T18:28:33Z) - Efficient Adversarial Training with Transferable Adversarial Examples [58.62766224452761]
同じトレーニングプロセスにおいて、近隣のエポックからのモデル間で高い転送可能性があることが示される。
本稿では,ATTA(Adversarial Training with Transferable Adversarial Examples)を提案する。
論文 参考訳（メタデータ） (2019-12-27T03:05:05Z)
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。