論文の概要: Assessing Student Ability to Select an Algorithmic Paradigm

• arxiv url: http://arxiv.org/abs/2606.12417v1
• Date: Thu, 07 May 2026 20:19:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.876277
• Title: Assessing Student Ability to Select an Algorithmic Paradigm
• Title（参考訳）: アルゴリズムパラダイムの選択能力の評価
• Authors: Dip Kiran Pradhan Newar, Michael Shindler, Seth Poulsen,
• Abstract要約: 本稿では, アルゴリズム設計パラダイムを選択するために, 学生の知識を評価するための最初の試みについて述べる。 このプロセスで学んだ重要なポイントについて、アルゴリズム設計パラダイムのための複数選択の質問を書くことについて論じる。
• 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: Computer science students are expected to be able to look at a problem and select an appropriate algorithm design paradigm to use to produce a solution. However, there is little research on how students determine which algorithmic paradigm to use. Historically, researchers have relied on free-response questions or interviews to assess students' knowledge of algorithmic paradigm selection. To successfully evaluate and scale teaching interventions for selecting an algorithmic design paradigm, we need to efficiently test a student's ability to select among different design paradigms. Here, we present the first attempts to assess student knowledge to select an algorithm design paradigm using multiple-choice questions. We present the construction of the \textit{algorithmic paradigm selection assessment} (APSA) and preliminary data demonstrating its effectiveness as an assessment. We discuss the key points we learned during this process to write multiple-choice questions for Algorithm Design Paradigms. We tested the internal consistency of our assessment using Cronbach's $α$ and obtained a score of $0.73$, which is above the required threshold of $0.7$. APSA can be used across institutions as a standardized way to assess students' ability to select different algorithm design paradigms. APSA will assist researchers in evaluating whether a theory helps students improve their knowledge of different Algorithm Design Paradigms.
• Abstract（参考訳）: コンピュータサイエンスの学生は問題に目を向け、解を生み出すために使用する適切なアルゴリズム設計パラダイムを選択することができると期待されている。 しかし、どのアルゴリズムパラダイムを使うべきかを学生がどう決めるかは、ほとんど研究されていない。 歴史的に、研究者はアルゴリズムのパラダイム選択に関する学生の知識を評価するために、自由責任の質問やインタビューに頼ってきた。 アルゴリズム設計パラダイムを選択するための指導の介入をうまく評価し、スケールするためには、学生が異なるデザインパラダイムの中から選択できる能力を効率よくテストする必要がある。 本稿では,学生の知識を評価するための最初の試みとして,複数質問を用いたアルゴリズム設計パラダイムを選択することを提案する。 本稿では, <textit{algorithmic paradigm selection Assessment} (APSA) の構築と, その有効性を示す予備データについて述べる。 このプロセスで学んだ重要なポイントについて、アルゴリズム設計パラダイムのための複数選択の質問を書くことについて論じる。 我々はCronbachの$α$を用いて評価の内部一貫性を検証し、0.73$というスコアを得た。 APSAは、学生が異なるアルゴリズム設計パラダイムを選択する能力を評価するための標準化された方法として、複数の機関で使用することができる。 APSAは、ある理論が学生が異なるアルゴリズム設計パラダイムの知識を改善するのに役立つかどうかを評価する研究者を支援する。

関連論文リスト

• Nearly Optimal Active Preference Learning and Its Application to LLM Alignment [68.56793807995417]
  大規模言語モデルの調整は、人間の好みラベルの高品質なデータセットに依存する。 既存の多くのアプローチでは、G-やD-最適化のような古典的な実験的な設計基準が採用されている。 本研究では,これら設計目標の適合性に疑問を呈する,選好学習に特有な単純な直観を同定する。
  論文  参考訳（メタデータ） (2026-02-02T03:21:29Z)
• Designing Algorithmic Recommendations to Achieve Human-AI Complementarity [2.4247752614854203]
  人間の意思決定を支援するレコメンデーションアルゴリズムの設計を形式化する。 我々は、潜在的なアウトカムフレームワークを使用して、ヒトの意思決定者による二元的治療選択に対するレコメンデーションの効果をモデル化する。 機械学習で実装可能な最小限の推奨アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2024-05-02T17:15:30Z)
• A Gold Standard Dataset for the Reviewer Assignment Problem [70.45113777449373]
  類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。 既存のアルゴリズムを比較し、より良いアルゴリズムを開発する上で重要な課題は、公開された金標準データの欠如である。 研究コミュニティにリリースした類似度スコアの新しいデータセットを収集します。
  論文  参考訳（メタデータ） (2023-03-23T16:15:03Z)
• Algorithm Selection on a Meta Level [58.720142291102135]
  本稿では,与えられたアルゴリズムセレクタの組み合わせに最適な方法を求めるメタアルゴリズム選択の問題を紹介する。 本稿では,メタアルゴリズム選択のための一般的な方法論フレームワークと,このフレームワークのインスタンス化として具体的な学習手法を提案する。
  論文  参考訳（メタデータ） (2021-07-20T11:23:21Z)
• Generalization in portfolio-based algorithm selection [97.74604695303285]
  ポートフォリオベースのアルゴリズム選択に関する最初の証明可能な保証を提供する。 ポートフォリオが大きければ、非常に単純なアルゴリズムセレクタであっても、過剰適合は避けられないことを示す。
  論文  参考訳（メタデータ） (2020-12-24T16:33:17Z)
• Towards Meta-Algorithm Selection [78.13985819417974]
  インスタンス固有のアルゴリズム選択(AS)は、固定された候補集合からのアルゴリズムの自動選択を扱う。 メタアルゴリズムの選択は、いくつかのケースで有益であることを示す。
  論文  参考訳（メタデータ） (2020-11-17T17:27:33Z)
• Learning to Actively Learn: A Robust Approach [14.46867518436922]
  本研究では,アクティブラーニングや純粋探索型マルチアームバンディットといった適応データ収集タスクのアルゴリズム設計手法を提案する。 我々の適応アルゴリズムは、情報理論の下界から導かれる問題の同値クラスに対する逆学習によって学習される。 我々は,訓練手順の安定性と有効性を正当化するための合成実験を行い,実データから導出される課題について評価する。
  論文  参考訳（メタデータ） (2020-10-29T06:48:22Z)
• Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
  我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。 我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-29T09:40:58Z)

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。

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。