論文の概要: Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study
- arxiv url: http://arxiv.org/abs/2606.22328v1
- Date: Sun, 21 Jun 2026 04:34:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 19:05:41.538311
- Title: Do Gains from Generative AI-Enabled Adaptive Pretesting Persist? Evidence from a Retention Study
- Title（参考訳）: 生成型AIによる適応型事前テストによる利得 : 保持研究からの証拠
- Authors: Mahir Akgun, Sacip Toker,
- Abstract要約: 本研究は,7週間の留置期間におけるGenAI適応型事前試験後の学習効果の持続可能性について検討した。
適応的な事前テストは、最初の理解を高めることができるが、持続的な学習は、その後のAI支援の実践がどのように構成されているかに依存する。
- 参考スコア（独自算出の注目度）: 1.1458853556386799
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pretesting - attempting problems before instruction - supports learning by activating prior knowledge and sharpening attention to subsequent instruction. Recent work suggests that adaptive AI-assisted pretesting can yield further advantages, particularly for tasks requiring higher-order reasoning, yet it remains unclear whether these gains persist over time. This study examines the durability of learning gains following GenAI-enabled adaptive pretesting over a seven-week retention period. Undergraduate participants completed an adaptive AI-assisted pretesting session, received instruction, and took a baseline assessment, then were randomly assigned to adaptive spaced retrieval practice, fixed spaced retrieval practice, or learner-directed AI-supported study. Multivariate analyses revealed a significant effect of condition on posttest performance and observed practice effort, with retrieval-based conditions outperforming learner-directed study. Findings indicate that adaptive pretesting can elevate initial understanding, but sustained learning depends on how subsequent AI-supported practice is structured.
- Abstract（参考訳）: 事前試験(英:pretesting)は、事前知識を活性化し、その後の指導に注意を向けることによって学習を支援する。
最近の研究は、適応AIによる事前テストが、特に高次推論を必要とするタスクに対してさらなる利点をもたらすことを示唆している。
本研究は,7週間の留置期間におけるGenAI適応型事前試験後の学習効果の持続可能性について検討した。
学生は適応型AI支援事前試験セッションを完了し、指導を受け、ベースラインアセスメントを受け、適応型スペースド検索プラクティス、固定型スペースド検索プラクティス、学習者主導型AI支援学習にランダムに割り当てられた。
多変量解析により, 術後成績に有意な影響がみられた。
適応的な事前テストは、最初の理解を高めることができるが、持続的な学習は、その後のAI支援の実践がどのように構成されているかに依存する。
関連論文リスト
- Transforming GenAI Policy to Prompting Instruction: An RCT of Scalable Prompting Interventions in a CS1 Course [8.222598094097867]
ICAPフレームワークをベースとした4つの指導条件を,テスト前,即時,遅延後,調査により有意差が認められた。
その結果,条件1から条件4まで,すべての条件が向上し,段階的に向上することが判明した。
同様の試験前スコアを持つ学生の場合, 試験直後の高等教育成績は, グループ間での直接差はみられなかったが, 最終試験直後の成績の上昇を予測できた。
論文 参考訳（メタデータ） (2026-02-17T21:40:12Z) - Overcoming Language Priors for Visual Question Answering Based on Knowledge Distillation [7.755718939237373]
従来の研究では、視覚的質問応答(VQA)モデルは、解答予測に言語優先に依存する傾向があることが指摘されている。
本稿では, VQAタスクにおける先行性ジレンマに対処するため, 知識蒸留を利用した新しい手法KDARを提案する。
提案手法は, VQA-CPv2out-of-distribution (OOD)ベンチマークにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2025-01-10T03:42:37Z) - Analyzing the Impact of AI Tools on Student Study Habits and Academic Performance [0.0]
この研究は、AIツールがパーソナライズされた学習、適応テスト調整をサポートし、リアルタイムの教室分析を提供する方法に焦点を当てている。
学生のフィードバックはこれらの特徴に対する強い支持を示し、GPAの増加とともに研究時間を大幅に短縮した。
これらのメリットにもかかわらず、AIへの過度依存や、AIと従来の教育方法を統合することの難しさといった課題も特定された。
論文 参考訳（メタデータ） (2024-12-03T04:51:57Z) - Learning Continually by Spectral Regularization [45.55508032009977]
連続学習アルゴリズムは、ネットワークのトレーニング性を維持しながら、良好な性能を維持することにより、可塑性の損失を軽減する。
我々は,初期化時のニューラルネットワークパラメータの特異値が学習の初期段階におけるトレーニング容易性の重要な要因であることから着想を得た,継続学習を改善するための新しい手法を開発した。
提案するスペクトル正規化器は,連続的な教師付きおよび強化学習環境において,様々なモデルアーキテクチャの訓練性と性能を維持可能であることを示す実験的検討を行った。
論文 参考訳（メタデータ） (2024-06-10T21:34:43Z) - Hierarchical Decomposition of Prompt-Based Continual Learning:
Rethinking Obscured Sub-optimality [55.88910947643436]
大量のラベルのないデータを実際に扱うためには、自己教師付き事前トレーニングが不可欠である。
HiDe-Promptは、タスク固有のプロンプトと統計のアンサンブルで階層的なコンポーネントを明示的に最適化する革新的なアプローチである。
実験では,HiDe-Promptの優れた性能と,継続学習における事前学習パラダイムへの頑健さを実証した。
論文 参考訳（メタデータ） (2023-10-11T06:51:46Z) - A Survey of the Impact of Self-Supervised Pretraining for Diagnostic
Tasks with Radiological Images [71.26717896083433]
自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。
本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
論文 参考訳（メタデータ） (2023-09-05T19:45:09Z) - Meta-Auxiliary Learning for Adaptive Human Pose Prediction [26.877194503491072]
高忠実な未来の人間のポーズを予測することは、インテリジェントロボットが人間と対話する上で決定的だ。
ディープラーニングアプローチは、通常、外部データセット上で一般的なトレーニング済みモデルをトレーニングし、すべてのテストサンプルに直接適用する。
本稿では,2つの自己監督型補助タスクを活用するテスト時間適応フレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-13T11:17:09Z) - A Comprehensive Survey on Test-Time Adaptation under Distribution Shifts [117.72709110877939]
テスト時間適応(TTA)は、事前訓練されたモデルをテスト中に、予測する前にラベルのないデータに適応する可能性がある。
TTAはテスト時間領域適応、テスト時間バッチ適応、オンラインテスト時間適応といったテストデータの形態に基づいて、いくつかの異なるグループに分類される。
論文 参考訳（メタデータ） (2023-03-27T16:32:21Z) - Persistent Reinforcement Learning via Subgoal Curricula [114.83989499740193]
VaPRL(Value-accelerated Persistent Reinforcement Learning)は、初期状態のカリキュラムを生成する。
VaPRLは、エピソード強化学習と比較して、3桁の精度で必要な介入を減らす。
論文 参考訳（メタデータ） (2021-07-27T16:39:45Z) - Active Learning for Sequence Tagging with Deep Pre-trained Models and
Bayesian Uncertainty Estimates [52.164757178369804]
自然言語処理のためのトランスファーラーニングとアクティブラーニングの最近の進歩は、必要なアノテーション予算を大幅に削減する可能性を開く。
我々は,様々なベイズ不確実性推定手法とモンテカルロドロップアウトオプションの実験的研究を,アクティブ学習フレームワークで実施する。
また, 能動学習中にインスタンスを取得するためには, 完全サイズのトランスフォーマーを蒸留版に置き換えることにより, 計算性能が向上することを示した。
論文 参考訳（メタデータ） (2021-01-20T13:59:25Z)
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。