Fugu-MT 論文翻訳(概要): Conflict-Aware Seat Assignment in Classroom Environments

論文の概要: Conflict-Aware Seat Assignment in Classroom Environments

arxiv url: http://arxiv.org/abs/2605.04235v1
Date: Tue, 05 May 2026 19:23:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-07 18:41:07.508234
Title: Conflict-Aware Seat Assignment in Classroom Environments
Title（参考訳）: 教室環境におけるコンフリクト対応シートアサインメント
Authors: Bruna Cristina Braga Charytitsch, Mariá Cristina Vasconcelos Nascimento,
Abstract要約: 本稿では,従来の教室における学生席配置を戦略的に整理するための学生席配置問題(SSAP)を紹介する。 SSAPを解くために,数学的モデルと反復局所探索(ILS)を提案する。
参考スコア（独自算出の注目度）: 1.9336815376402718
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Classroom dynamics depend on various elements that influence teaching performance and learning activities. A key challenge is to determine the most effective seating plan, where students will seat in a specific classroom setting to achieve the best learning environment. This paper introduces the Student Seat Allocation Problem (SSAP) for strategically organizing student seating in traditional classrooms to minimize interpersonal conflicts. We propose a mathematical model and an Iterated Local Search (ILS) heuristic to solve the SSAP. Computational experiments demonstrated that ILS outperformed in more complex scenarios when compared to the results obtained by a commercial solver on the introduced mathematical model. ILS was particularly efficient in real and artificial instances that exhibited a higher number of conflicts.
Abstract（参考訳）: 教室のダイナミクスは、教育のパフォーマンスと学習活動に影響を与える様々な要素に依存している。重要な課題は、生徒が最高の学習環境を達成するために特定の教室に座る、最も効果的な座席計画を決定することである。本稿では,従来の教室における学生席配置を戦略的に整理し,対人衝突を最小限に抑えるために,学生席配置問題(SSAP)を提案する。 SSAPを解くために,数理モデルと反復局所探索(ILS)ヒューリスティックを提案する。計算実験により、ILSはより複雑なシナリオにおいて、導入された数学的モデル上の商用解法によって得られた結果よりも優れていた。 ILSは実例と人工例において特に効率的で、より多くの衝突が見られた。

関連論文リスト

Student Classroom Behavior Recognition Based on Improved YOLOv8s [4.311211660681507]
本稿では,ALC-YOLOv8sをベースとした授業行動認識モデルを提案する。いくつかの主流検出手法と比較して,提案手法は複雑な教室シナリオにおいて,生徒の行動自動認識の要件を満たすことができる。
論文参考訳（メタデータ） (2026-04-30T01:13:25Z)
Otimizando A Alocação De Salas De Aula Com Foco Na Acessibilidade Para Pessoas Com Deficiência [0.0]
本稿では,障害者に対するアクセシビリティ(PwD)を明確に重視した高等教育機関における授業割当の課題について論じる。本研究の目的は, PwD学生の地上教室への配置を優先し, アクセシビリティ・バリアの低減を図ることにある。本研究は,全学生を対象に,より包括的環境を推進しつつ,教育機関の運用効率を向上させるための最適化手法であることを示唆している。
論文参考訳（メタデータ） (2026-01-10T20:11:23Z)
RoboBuddy in the Classroom: Exploring LLM-Powered Social Robots for Storytelling in Learning and Integration Activities [0.0]
我々は,LLMとソーシャルロボットを用いて,教師がシナリオベースのアクティビティを作成できる直感的なインタフェースを実装した。本研究は, 児童が認知する統合政策の肯定的影響と, 学生の楽しさにおけるシナリオベース活動の重要性を明らかにするものである。
論文参考訳（メタデータ） (2025-08-22T13:14:09Z)
CLOSER: Towards Better Representation Learning for Few-Shot Class-Incremental Learning [52.63674911541416]
FSCIL(Few-shot class-incremental Learning)は、過剰適合や忘れなど、いくつかの課題に直面している。 FSCILの独特な課題に取り組むため、ベースクラスでの表現学習に重点を置いている。より制限された機能空間内で機能の拡散を確保することで、学習された表現が、伝達可能性と識別可能性のバランスを良くすることが可能になることが分かりました。
論文参考訳（メタデータ） (2024-10-08T02:23:16Z)
Mamba-FSCIL: Dynamic Adaptation with Selective State Space Model for Few-Shot Class-Incremental Learning [115.79349923044663]
FSCIL(Few-shot class-incremental Learning)は、限られた例から新しいクラスを段階的に学習することを目的としている。静的アーキテクチャは固定パラメータ空間に依存して、逐次到着するデータから学習し、現在のセッションに過度に適合する傾向がある。本研究では,FSCILにおける選択状態空間モデル(SSM)の可能性について検討する。
論文参考訳（メタデータ） (2024-07-08T17:09:39Z)
Simulating Classroom Education with LLM-Empowered Agents [48.26286735827104]
大型言語モデル (LLM) は、様々な知的教育タスクに応用され、教育支援を行っている。マルチエージェント型教室シミュレーション教育フレームワークSimClassを提案する。代表的クラスの役割を認識し、自動授業のための新しいクラス制御機構を導入する。
論文参考訳（メタデータ） (2024-06-27T14:51:07Z)
Concrete Subspace Learning based Interference Elimination for Multi-task Model Fusion [86.6191592951269]
一般的な事前訓練された大規模モデルから微調整されたマージングモデルは、様々なタスクに特化しているが、様々なタスクでうまく機能するマルチタスクモデルを構築するための安価でスケーラブルな戦略として実証されている。本稿では、共通低次元部分空間を同定し、その共有情報トラック干渉問題を性能を犠牲にすることなく利用するための連続緩和(Concrete)部分空間学習法を提案する。
論文参考訳（メタデータ） (2023-12-11T07:24:54Z)
Uncertainty-guided Boundary Learning for Imbalanced Social Event Detection [64.4350027428928]
本研究では,不均衡なイベント検出タスクのための不確実性誘導型クラス不均衡学習フレームワークを提案する。我々のモデルは、ほとんど全てのクラス、特に不確実なクラスにおいて、社会イベントの表現と分類タスクを大幅に改善する。
論文参考訳（メタデータ） (2023-10-30T03:32:04Z)
Large Language Models for In-Context Student Modeling: Synthesizing Student's Behavior in Visual Programming [29.65988680948297]
本研究では,大規模言語モデル(LLM)のオープンエンド学習領域におけるコンテキスト内学習モデルへの応用について検討する。学生の行動に LLM を利用する新しいフレームワーク LLM for Student Synthesis (LLM-SS) を導入する。 LLM-SSフレームワークに基づいて複数の手法をインスタンス化し、既存のベンチマークであるStudioSynを用いて視覚的プログラミング領域における学生の試行合成を行う。
論文参考訳（メタデータ） (2023-10-15T12:56:13Z)
Contrastive Knowledge Amalgamation for Unsupervised Image Classification [2.6392087010521728]
Contrastive Knowledge Amalgamation (CKA) は、複数の教師モデルから協調目的を扱うためのコンパクトな学生モデルを学ぶことを目的としている。クラス内モデルとクラス間モデルとの対比損失は、異なるクラスの表現間の距離を拡大するように設計されている。このアライメント損失は、共通表現空間における教師/学生モデルのサンプルレベルの分布差を最小限に抑えるために導入された。
論文参考訳（メタデータ） (2023-07-27T11:21:14Z)
Safe Multi-agent Learning via Trapping Regions [89.24858306636816]
我々は、動的システムの定性理論から知られているトラップ領域の概念を適用し、分散学習のための共同戦略空間に安全セットを作成する。本稿では,既知の学習力学を持つシステムにおいて,候補がトラップ領域を形成することを検証するための二分分割アルゴリズムと,学習力学が未知のシナリオに対するサンプリングアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-02-27T14:47:52Z)

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。