論文の概要: Optimizing Coverage and Difficulty in Reinforcement Learning for Quiz Composition

• arxiv url: http://arxiv.org/abs/2603.27695v1
• Date: Sun, 29 Mar 2026 13:46:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.075916
• Title: Optimizing Coverage and Difficulty in Reinforcement Learning for Quiz Composition
• Title（参考訳）: クイズ合成のための強化学習におけるカバーと難易度最適化
• Authors: Ricardo Pedro Querido Andrade Silva, Nassim Bouarour, Dina Fettache, Sarab Boussouar, Noha Ibrahim, Sihem Amer-Yahia,
• Abstract要約: 提案するトピックのカバレッジと難易度を満たすクイズを構成するためにエージェントを訓練することを目的として、汎用的なシーケンシャルな意思決定問題を定式化する。 我々は、RLが最良のクイズに着陸する能力を研究するための、合成および実際のデータセットに関する広範な実験を行う。
• 参考スコア（独自算出の注目度）: 7.215573039552987
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quiz design is a tedious process that teachers undertake to evaluate the acquisition of knowledge by students. Our goal in this paper is to automate quiz composition from a set of multiple choice questions (MCQs). We formalize a generic sequential decision-making problem with the goal of training an agent to compose a quiz that meets the desired topic coverage and difficulty levels. We investigate DQN, SARSA and A2C/A3C, three reinforcement learning solutions to solve our problem. We run extensive experiments on synthetic and real datasets that study the ability of RL to land on the best quiz. Our results reveal subtle differences in agent behavior and in transfer learning with different data distributions and teacher goals. This was supported by our user study, paving the way for automating various teachers' pedagogical goals.
• Abstract（参考訳）: クイズデザインは、教師が学生による知識の獲得を評価するための退屈なプロセスである。 本稿では,複数の選択質問(MCQ)からクイズ合成を自動化することを目的とする。 提案するトピックのカバレッジと難易度を満たすクイズを構成するためにエージェントを訓練することを目的として、汎用的なシーケンシャルな意思決定問題を定式化する。 DQN, SARSA, A2C/A3Cの3つの強化学習ソリューションについて検討した。 我々は、RLが最良のクイズに着陸する能力を研究するための、合成および実際のデータセットに関する広範な実験を行う。 この結果から,エージェントの行動と,データ分布や教師の目標との違いによる伝達学習の微妙な差異が明らかになった。 これは、様々な教師の教育的目標を自動化するための道を開くという、私たちのユーザスタディに支えられたものです。

関連論文リスト

• Boosting Process-Correct CoT Reasoning by Modeling Solvability of Multiple-Choice QA [10.122669382758122]
  モデルに対して質問が効果的に解決できない場合、思考の急激な連鎖(CoT)が出現しがちであることを示す。 結果監督型報酬モデルと強化学習をグループ相対的優位性で適用し,その目的に可解性を取り入れた。 本結果は,CoT推論における幻覚の低減と信頼性向上の鍵要因として可溶性を強調した。
  論文  参考訳（メタデータ） (2025-09-30T08:34:16Z)
• LOVA3: Learning to Visual Question Answering, Asking and Assessment [61.51687164769517]
  質問への回答、質問、評価は、世界を理解し、知識を得るのに不可欠な3つの人間の特性である。 現在のMLLM(Multimodal Large Language Models)は主に質問応答に焦点を当てており、質問や評価スキルの可能性を無視することが多い。 LOVA3は、"Learning tO Visual Question Answering, Asking and Assessment"と名付けられた革新的なフレームワークである。
  論文  参考訳（メタデータ） (2024-05-23T18:21:59Z)
• Automated Distractor and Feedback Generation for Math Multiple-choice Questions via In-context Learning [43.83422798569986]
  マルチチョイス質問(MCQ)は、管理しやすく、格付けし、信頼性の高い評価形式であるため、ほぼ全てのレベルの教育においてユビキタスである。 これまで、高品質なイントラクタを作るというタスクは、教師やコンテンツデザイナーを学ぶための労働集約的なプロセスのままだった。 本稿では,テキスト内学習をベースとした簡易な学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-07T01:03:04Z)
• Quiz-based Knowledge Tracing [61.9152637457605]
  知識追跡は、学習相互作用に基づいて個人の進化する知識状態を評価することを目的としている。 QKTは、既存の方法と比較して最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-04-05T12:48:42Z)
• Reinforcement Learning Guided Multi-Objective Exam Paper Generation [21.945655389912112]
  そこで本研究では,MOEPGと呼ばれる多目的文書生成フレームワークを提案する。 難易度、試験スコアの配分、スキルカバレッジを含む3つの試験領域固有の目的を同時に最適化する。 試験用紙生成シナリオの多重ジレンマにMOEPGが適用可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-02T07:55:52Z)
• Teacher-student curriculum learning for reinforcement learning [1.7259824817932292]
  強化学習(rl)は、シーケンシャルな意思決定問題に対する一般的なパラダイムである。 深部強化学習手法のサンプル非効率性は,実世界の問題に適用する際の重要な障害である。 そこで我々は,学生が選択した課題の解き方を学習している間に,生徒の課題を選択する教師を同時に訓練する学習環境を提案する。
  論文  参考訳（メタデータ） (2022-10-31T14:45:39Z)
• Continuous Examination by Automatic Quiz Assessment Using Spiral Codes and Image Processing [69.35569554213679]
  紙のキズは安価で、教室のキャンパス教育の範囲内にある。 クイズの修正は かなりの障害だ 本稿では,新しい画像処理技術によって問題を緩和することを提案する。
  論文  参考訳（メタデータ） (2022-01-26T22:58:15Z)

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。