論文の概要: TeamUp: Semantic Project Matching and Team Formation for Learning at Scale

• arxiv url: http://arxiv.org/abs/2605.03237v1
• Date: Tue, 05 May 2026 00:07:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.68892
• Title: TeamUp: Semantic Project Matching and Team Formation for Learning at Scale
• Title（参考訳）: TeamUp: 大規模学習のためのセマンティックプロジェクトマッチングとチーム形成
• Authors: Dhruv Gulwani, Basem Suleiman, Aditya Joshi, Sonit Singh,
• Abstract要約: プロジェクトベースの学習は、学生のエンゲージメントと学習結果を改善する。 従来のアロケーション手法では、認知的に協力する認知的に多様なチームを構築することはできません。 軽量な埋め込み型チームフォーミングシステムであるTeamUpを提案する。
• 参考スコア（独自算出の注目度）: 5.239407424503223
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Project-based learning improves student engagement and learning outcomes, yet allocating students to appropriately challenging projects while forming cognitively diverse teams remains difficult at scale. Traditional allocation methods (manual spreadsheets, preference surveys) can't construct the cognitively diverse teams that that collaborate cognitively. This mismatch perpetuates equity issues: high-performing students self-select visible projects while under-represented students face reduced access to opportunity. We propose TeamUp, a lightweight, embedding-based team-forming system designed to improve learning outcomes and equity in large-scale project-based courses. TeamUp uses semantic embeddings from pretrained language models to match students to projects aligned with their skill level. The system employs a hybrid ranking algorithm combining cosine similarity with pedagogical constraints (difficulty alignment, domain preferences, and demand balancing) to generate personalised and transparent recommendations. Beyond individual matching, TeamUp constructs cognitively diverse teams by modelling skill complementarity through embedding variance, ensuring teams possess well-distributed capabilities rather than homogeneous strengths. We evaluated TeamUp through a virtual experiment using 250 student profiles and 60 project descriptions. Results show: (1) substantially higher match quality (mean cosine similarity of 0.74 vs. 0.43); (2) better difficulty alignment (83% placed within one level vs. 34%); (3) more diverse teams (82% covering three or more technical areas vs. 41%); and (4) sub-second recommendation latency at operational costs under $0.10 per student.
• Abstract（参考訳）: プロジェクトベースの学習は、学生のエンゲージメントと学習結果を改善するが、学生を適切な課題に割り当てる一方で、認知的に多様なチームを形成することは、大規模に難しいままである。 従来の割り当て方法(手動のスプレッドシート、好みの調査)は、認知的に協力する認知的に多様なチームを構築することはできません。 このミスマッチは、高パフォーマンスの学生が自己選択した可視性プロジェクト、低解像度の学生が機会へのアクセスを減らしているという、株式問題に永続する。 大規模プロジェクトベースコースにおける学習成果とエクイティの改善を目的とした,軽量な埋め込み型チームフォーミングシステムであるTeamUpを提案する。 TeamUpは、訓練済みの言語モデルのセマンティック埋め込みを使用して、学生と彼らのスキルレベルに沿ったプロジェクトとをマッチングする。 このシステムは、コサイン類似性と教育的制約(分散アライメント、ドメイン優先、需要バランス)を組み合わせたハイブリッドランキングアルゴリズムを用いて、パーソナライズされた透明性のあるレコメンデーションを生成する。 個々のマッチング以外にも、TeamUpは、分散を埋め込むことで、スキルの相補性をモデル化することで、認知的に多様なチームを構築します。 我々は250人の学生プロフィールと60のプロジェクト記述を用いた仮想実験によりTeamUpを評価した。 結果から,(1)一致品質はかなり高く(平均コサイン類似度0.74 vs. 0.43),(2)困難アライメント(83%が1レベルに34%),(3)多種多様チーム(82%が3以上の技術領域に41%),(4)運用コスト0.10ドル以下のサブ秒レコメンデーションレイテンシが得られた。

関連論文リスト

• SPARTA ALIGNMENT: Collectively Aligning Multiple Language Models through Combat [76.48873047003943]
  SPARTA ALIGNMENT(SPARTA ALIGNMENT)を提案する。 各イテレーションにおいて、1つの命令と2つのモデルがデュエルのために選択され、他のモデルが2つのレスポンスを評価し、それらの評価スコアは、適応されたエロランクベースの評価システムを介して集約される。 ピア評価された戦闘結果は、敗戦よりも勝利の反応が優先される選好ペアとなり、各イテレーションの最後にこれらの選好からすべてのモデルが学習される。
  論文  参考訳（メタデータ） (2025-06-05T07:51:23Z)
• Educational Customization by Homogenous Grouping of e-Learners based on their Learning Styles [0.4915744683251149]
  学習スタイルに基づいたFelder-Silvermanモデルを用いて,類似学習者をグループ化する。 学習者の学習スタイルを識別することにより、共用的な学習グループを形成し、各グループが好み、ニーズ、才能、能力に基づいて適応的なコンテンツを受け取る。 教育的成功」の観点では、実験グループの重み付き平均スコアは20点中17.65点、制御グループは20点中12.6点である。
  論文  参考訳（メタデータ） (2024-08-09T14:06:42Z)
• A Reinforcement Learning-assisted Genetic Programming Algorithm for Team Formation Problem Considering Person-Job Matching [70.28786574064694]
  解の質を高めるために強化学習支援遺伝的プログラミングアルゴリズム(RL-GP)を提案する。 効率的な学習を通じて得られる超ヒューリスティックなルールは、プロジェクトチームを形成する際の意思決定支援として利用することができる。
  論文  参考訳（メタデータ） (2023-04-08T14:32:12Z)
• Fair and skill-diverse student group formation via constrained k-way graph partitioning [65.29889537564455]
  本研究は、公正かつ多様な学生グループ形成のための教師なしアルゴリズムを導入する。 学生のスキルセットは、ラプラシア固有写像を用いて、コースマークデータの教師なし次元削減を用いて決定される。 この問題は制約付きグラフ分割問題として定式化され、各グループのスキルセットの多様性が最大化される。
  論文  参考訳（メタデータ） (2023-01-12T14:02:49Z)
• Neural Payoff Machines: Predicting Fair and Stable Payoff Allocations Among Team Members [13.643650155415484]
  ニューラルネットワークをトレーニングすることで,協調的なゲーム理論解を学習モデルに蒸留する方法を示す。 我々の手法はトレーニング分布から遠く離れたゲームに一般化できるモデルを作成する。 私たちのフレームワークの重要な応用は、説明可能なAIです。
  論文  参考訳（メタデータ） (2022-08-18T12:33:09Z)
• Learning Equilibria in Matching Markets from Bandit Feedback [139.29934476625488]
  不確実性の下で安定した市場成果を学習するためのフレームワークとアルゴリズムを開発する。 私たちの研究は、大規模なデータ駆動の市場において、いつ、どのように安定したマッチングが生じるかを明らかにするための第一歩を踏み出します。
  論文  参考訳（メタデータ） (2021-08-19T17:59:28Z)
• FERN: Fair Team Formation for Mutually Beneficial Collaborative Learning [9.484474204788349]
  この研究は、相互に有益なピアラーニングを促進する公正なチーム形成アプローチであるFERNを導入している。 この問題をNPhardの離散最適化問題として示し,ヒルクライミングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-23T18:38:01Z)
• CoMatch: Semi-supervised Learning with Contrastive Graph Regularization [86.84486065798735]
  CoMatchは、支配的なアプローチを統一する、新しい半教師付き学習手法である。 複数のデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-11-23T02:54:57Z)
• My Team Will Go On: Differentiating High and Low Viability Teams through Team Interaction [17.729317295204368]
  オンラインチームの669の10分間のテキスト会話のデータセット上で、生存可能性分類モデルをトレーニングする。 その結果,ラッソ回帰モデルにより,可視性スコアの分類のしきい値が異なる.74--.92 AUC ROCの精度が得られることがわかった。
  論文  参考訳（メタデータ） (2020-10-14T21:33:36Z)

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。