論文の概要: Personalized AI Practice Replicates Learning Rate Regularity at Scale

• arxiv url: http://arxiv.org/abs/2604.03246v1
• Date: Mon, 09 Mar 2026 13:33:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-12 18:41:08.542413
• Title: Personalized AI Practice Replicates Learning Rate Regularity at Scale
• Title（参考訳）: パーソナライズされたAIプラクティスは、スケールでの学習率の規則性を再現する
• Authors: Jocelyn Beauchesne, Christine Maroti, Jeshua Bratman, Jerome Pesenti, Laurence Holt, Alex Tambellini, Allison McGrath, Matthew Guo, Sarah Peterson,
• Abstract要約: 学生は様々な教育的文脈で一貫した学習率を示す。 これらの結果は,デジタルプラットフォームであるCampus AIの学生インタラクションデータセットを用いて検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent research demonstrated that students exhibit consistent learning rates across diverse educational contexts. We test these findings using a dataset of 1.8 million (366k post-filtering) student interactions from the digital platform Campus AI providing further evidence to the observation of regularity in learning rate among students. Unlike prior work requiring manual cognitive modeling, Campus AI automatically generates Knowledge Components (KCs) and corresponding exercises, both of which are validated by human experts. This one-to-many mapping facilitates the application of Additive Factors Models to measure learning parameters without complex cognitive modeling. Using mixed-effects logistic regression, we confirmed the core finding of prior work: students displayed substantial variation in initial knowledge ($\text{IQR} = [2.78, 12.18]$ practice opportunities to reach 80% mastery) but remarkably consistent learning rates ($\text{IQR} = [7.01, 8.25]$ opportunities). Furthermore, students using this fully automated system achieved 80% mastery in a median of 7.22 practice opportunities, comparable to the 6.54 reported for expert-designed curricula. These results suggest that automated, science-grounded content generation can support effective personalized learning at scale. Data and code are publicly available. https://github.com/Campus-edu-AI/learning-rate
• Abstract（参考訳）: 近年の研究では、学生が様々な教育的文脈で一貫した学習率を示すことが示されている。 これらの結果は,デジタルプラットフォームであるCampus AIによる18万(366万)の学生インタラクションのデータセットを用いて検証し,学生間の学習率の規則性に関するさらなる証拠を提供する。 手動の認知モデルを必要とする以前の作業とは異なり、Campus AIは自動的に知識コンポーネント(KC)とそれに対応するエクササイズを生成し、どちらも人間の専門家によって検証される。 この一対多マッピングは、複雑な認知モデルなしで学習パラメータを測定するための追加因子モデルの適用を容易にする。 混合効果のロジスティック回帰を用いて,先行研究の中核的な発見を確認した: 学生は初等知識の相当な変動("\text{IQR} = [2.78, 12.18]$ 80%の熟達を達成するための実践的機会")をみせたが,顕著に一貫した学習率("\text{IQR} = [7.01, 8.25]$チャンス")を示した。 さらに、この完全に自動化されたシステムを使用する学生は、専門家が設計したカリキュラムで報告された6.54に匹敵する7.22の練習機会で80%の熟達を達成した。 これらの結果から,科学的なコンテンツの自動生成は,大規模に効果的にパーソナライズされた学習を支援することが示唆された。 データとコードは公開されています。 https://github.com/Campus-edu-AI/learning-rate

関連論文リスト

• UCO: A Multi-Turn Interactive Reinforcement Learning Method for Adaptive Teaching with Large Language Models [59.693733170193944]
  大規模言語モデル(LLM)は、教育環境において、回答提供者からインテリジェントな家庭教師へとシフトしている。 最近の強化学習アプローチはこの制限に対処するが、2つの重要な課題に直面している。 これらの課題に対処するために一方向認知最適化法(UCO)を提案する。
  論文  参考訳（メタデータ） (2025-11-12T01:27:02Z)
• AI-Driven Personalized Learning: Predicting Academic Per-formance Through Leadership Personality Traits [0.0]
  この研究は、パーソナライズされた学習におけるAI技術の可能性を探る。 リーダーシップパーソナリティ特性と機械学習モデリングによる学術的成功の予測を提案する。
  論文  参考訳（メタデータ） (2025-10-22T18:47:30Z)
• 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)
• Using Artificial Intelligence to Improve Classroom Learning Experience [0.0]
  その焦点は、機械学習アルゴリズムを使って生徒の学習体験を改善することだ。 ロジスティック回帰アルゴリズムは、評価スコア、授業期間、好みの学習スタイルなどの6つの予測変数を用いてバイナリ分類に適用される。 76,519人の候補者と35人の予測変数によるケーススタディでは、ロジスティック回帰を用いて学術的なドロップアウトリスクを評価し、テスト精度は87.39%である。
  論文  参考訳（メタデータ） (2025-02-14T00:15:37Z)
• Scalable Learning of Item Response Theory Models [48.91265296134559]
  項目応答理論(IRT)モデルは、分類データから、$m$テスト項目の遅延困難特性とともに、$n$試験の潜時能力を評価することを目的としている。 我々はこれらのモデルの類似性をロジスティック回帰に利用し、コアセットと呼ばれる小さな重み付き部分集合を用いて正確に近似することができる。
  論文  参考訳（メタデータ） (2024-03-01T17:12:53Z)
• How do machines learn? Evaluating the AIcon2abs method [0.0]
  本研究は,AIcon2abs法(コンクリートから抽象へのAI:人工知能を一般大衆に普及させるAI)の評価を目的とした先行研究の拡大である。 このアプローチでは、単純さとユーザアクセシビリティで知られている、ウェイトレスニューラルネットワークであるWiSARDアルゴリズムを採用している。 WiSARDはインターネットを必要とせず、技術的でないユーザーやリソースに制限のある環境に最適である。
  論文  参考訳（メタデータ） (2024-01-14T22:40:58Z)
• Reinforcement Learning with Foundation Priors: Let the Embodied Agent Efficiently Learn on Its Own [59.11934130045106]
  我々は、政策、価値、成功-回帰基盤モデルからのガイダンスとフィードバックを活用するために、RLFP(Reinforcement Learning with Foundation Priors)を提案する。 本フレームワークでは,自動報酬関数を用いてより効率的にエージェントを探索できるファウンデーション誘導型アクター・クリティカル(FAC)アルゴリズムを導入する。 本手法は,実ロボットとシミュレーションの両方において,様々な操作タスクにおいて顕著な性能を実現する。
  論文  参考訳（メタデータ） (2023-10-04T07:56:42Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Sim-to-Real 6D Object Pose Estimation via Iterative Self-training for Robotic Bin-picking [98.5984733963713]
  コスト効率の良いロボットグルーピングを容易にするために,シミュレート・トゥ・リアルな6次元オブジェクトのポーズ推定のための反復的自己学習フレームワークを提案する。 我々は、豊富な仮想データを合成するためのフォトリアリスティックシミュレータを構築し、これを初期ポーズ推定ネットワークのトレーニングに利用する。 このネットワークは教師モデルの役割を担い、未ラベルの実データに対するポーズ予測を生成する。
  論文  参考訳（メタデータ） (2022-04-14T15:54:01Z)
• LANA: Towards Personalized Deep Knowledge Tracing Through Distinguishable Interactive Sequences [21.67751919579854]
  今後の質問に対する学生の回答を予測するために、Leveled Attentive KNowledge TrAcing(LANA)を提案します。 新しい学生関連特徴抽出装置(SRFE)を使用して、学生固有の特性をそれぞれのインタラクティブシーケンスから蒸留します。 ピボットモジュールは、個々の学生のためのデコーダを再構築し、グループのためのレベル付き学習特化エンコーダにより、パーソナライズされたDKTを実現した。
  論文  参考訳（メタデータ） (2021-04-21T02:57:42Z)
• Learning task-agnostic representation via toddler-inspired learning [19.478820330574628]
  我々は,幼児の行動を通じて,高度に意図的な学習システムからインスピレーションを得た。 幼児の学習手順に触発されて,タスクに依存しない視覚表現を学習し,記憶できる対話型エージェントを設計する。 実験の結果,これらの表現は様々な視覚タスクに拡張可能であることがわかった。
  論文  参考訳（メタデータ） (2021-01-27T06:26:56Z)

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。