Fugu-MT 論文翻訳(概要): Data-Driven Hints in Intelligent Tutoring Systems

論文の概要: Data-Driven Hints in Intelligent Tutoring Systems

arxiv url: http://arxiv.org/abs/2603.07311v1
Date: Sat, 07 Mar 2026 19:02:01 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-10 15:13:14.220451
Title: Data-Driven Hints in Intelligent Tutoring Systems
Title（参考訳）: インテリジェントチューニングシステムにおけるデータ駆動ヒント
Authors: Sutapa Dey Tithi, Kimia Fazeli, Dmitri Droujkov, Tahreem Yasir, Xiaoyi Tian, Tiffany Barnes,
Abstract要約: Hint Factory and Interaction Networksは、歴史的な学生データから次のステップのヒント、ウェイポイント、戦略的サブゴールの生成を可能にした。データ駆動技術により、システムはヒントを提供する適切な時間を見つけることができる。
参考スコア（独自算出の注目度）: 3.754244268293569
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This chapter explores the evolution of data-driven hint generation for intelligent tutoring systems (ITS). The Hint Factory and Interaction Networks have enabled the generation of next-step hints, waypoints, and strategic subgoals from historical student data. Data-driven techniques have also enabled systems to find the right time to provide hints. We explore further potential data-driven adaptations for problem solving based on behavioral problem solving data and the integration of Large Language Models (LLMs).
Abstract（参考訳）: 本章では、知的学習システム(ITS)におけるデータ駆動ヒント生成の進化について論じる。 Hint Factory and Interaction Networksは、歴史的な学生データから次のステップのヒント、ウェイポイント、戦略的サブゴールの生成を可能にした。データ駆動技術により、システムはヒントを提供する適切な時間を見つけることができる。本稿では,行動問題解決データとLarge Language Models(LLMs)の統合に基づく,問題解決のためのさらなるデータ駆動型適応について検討する。

関連論文リスト

Advances and Frontiers of LLM-based Issue Resolution in Software Engineering: A Comprehensive Survey [59.3507264893654]
課題解決は、現実世界の開発に不可欠な複雑なソフトウェアエンジニアリングタスクです。 SWE-benchのようなベンチマークでは、このタスクは大規模言語モデルでは極めて困難であることが判明した。本稿では,この新興領域を体系的に調査する。
論文参考訳（メタデータ） (2026-01-15T18:55:03Z)
Supporting Our AI Overlords: Redesigning Data Systems to be Agent-First [72.85721148326138]
大規模言語モデル(LLM)エージェントは、将来、データシステムの主要なワークロードになる可能性が高い。エージェントの推測は、現在のデータシステムに課題をもたらす可能性がある。我々は,新しいエージェントファーストデータシステムアーキテクチャの新たな研究機会について概説する。
論文参考訳（メタデータ） (2025-08-31T21:19:40Z)
Missing Data in Signal Processing and Machine Learning: Models, Methods and Modern Approaches [49.431846265898486]
このチュートリアルの目的は、信号処理(SP)と機械学習(ML)の実践者に、その質問に答えるための重要なツールを提供することだ。
論文参考訳（メタデータ） (2025-06-02T13:58:36Z)
Deep-and-Wide Learning: Enhancing Data-Driven Inference via Synergistic Learning of Inter- and Intra-Data Representations [8.013386998355966]
現在のディープニューラルネットワーク(DNN)モデルは、大量のデータと計算リソースの要求など、いくつかの課題に直面している。本稿では,DWL(Deep-and-wide Learning)と呼ばれる新しい学習手法を導入する。我々はDWLが最先端のDNNの精度を、限られた訓練データでかなりの差で上回っていることを示す。
論文参考訳（メタデータ） (2025-01-28T23:47:34Z)
OpenGU: A Comprehensive Benchmark for Graph Unlearning [24.605943688948038]
Graph Unlearning(GU)は、プライバシに敏感なアプリケーションにとって重要なソリューションとして登場した。最初のGUベンチマークであるOpenGUでは、16のSOTA GUアルゴリズムと37のマルチドメインデータセットが統合されている。既存のGUメソッドに関する決定的な結論は8ドルもしますが、その一方で、その制限について貴重な洞察を得ています。
論文参考訳（メタデータ） (2025-01-06T02:57:32Z)
Unleashing LLM Reasoning Capability via Scalable Question Synthesis from Scratch [54.12139707822201]
本稿では,新しい,スケーラブルで費用対効果の高いデータ合成手法であるScaleQuestを提案する。スクラッチから多様な質問を生成することで、100万の問題解決ペアのデータセットを生成します。私たちの実験では、データに基づいてトレーニングされたモデルが、既存のオープンソースデータセットより優れています。
論文参考訳（メタデータ） (2024-10-24T12:42:04Z)
Function-space Parameterization of Neural Networks for Sequential Learning [22.095632118886225]
逐次学習パラダイムは、新しいデータの導入と事前知識の維持が困難であるため、勾配に基づくディープラーニングに課題を提起する。本稿では,ニューラルネットワークを重み空間から関数空間に変換する手法を提案する。実験により,継続学習における知識を保ち,新しいデータを効率的に活用できることが実証された。
論文参考訳（メタデータ） (2024-03-16T14:00:04Z)
Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文参考訳（メタデータ） (2023-01-30T12:38:31Z)
Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文参考訳（メタデータ） (2020-12-15T16:29:49Z)
Federated Edge Learning : Design Issues and Challenges [1.916348196696894]
Federated Learning(FL)は分散機械学習技術であり、各デバイスはそのローカルトレーニングデータに基づいて勾配を独立に計算することで学習モデルに寄与する。 FLをネットワークエッジに実装することは、システムとデータの不均一性とリソースの制約のために難しい。本稿では、今後の研究方向性の指針として、データ認識スケジューリングのための一般的なフレームワークを提案する。
論文参考訳（メタデータ） (2020-08-31T19:56:36Z)
Scalable Learning Paradigms for Data-Driven Wireless Communication [45.03425546213185]
我々は,スケーラブルなデータ駆動無線ネットワークの構築ブロックについて,体系的な議論を行うことを目指している。一方、グローバルな視点から、スケーラブルなデータ駆動システムの先見的なアーキテクチャとコンピューティングフレームワークについて論じる。一方,各ノードにおける学習アルゴリズムとモデル学習戦略を局所的な視点から検討する。
論文参考訳（メタデータ） (2020-03-01T12:13:58Z)

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。