論文の概要: Course design in the age of AI

• arxiv url: http://arxiv.org/abs/2607.18735v3
• Date: Wed, 02 Sep 2026 15:45:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.127713
• Title: Course design in the age of AI
• Title（参考訳）: AI時代のコースデザイン
• Abstract要約: 私は、学習とコースデザインのモデルを開発し、それを使って人工知能(AI)の影響を研究する。 筋電図の学生は、AIに取り組む、またはAIに委譲できる一連のタスクに直面している。作業にはコストがかかりますが、スキルを構築する。委譲には努力は必要ありませんが、スキルを構築する必要はありません。 AIでは、教師は努力を誘導するために早期のタスクを再設計し、スキル開発を減らさなければなりません。 もしAIが努力を補完すれば、AI品質の改善によって、高度な学生はより速く学習するが、低いスキルの学生はより遅く学習する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: I develop a model of learning-by-doing and course design, and use it to study the impacts of artificial intelligence (AI). A myopic student faces a sequence of tasks that he can work on or delegate to AI. Work requires costly effort but builds skill; delegation requires no effort but builds no skill. A teacher designs the task sequence ("course") to maximize the student's skill development, given his choices to work or delegate. Without AI, the teacher makes earlier tasks more effort-intensive and later tasks more skill-intensive. With AI, the teacher must redesign early tasks to induce effort, leading to less skill development. If AI complements effort, then improvements in AI quality make high-skill students learn faster but low-skill students learn slower.
• Abstract（参考訳）: 私は、学習とコースデザインのモデルを開発し、人工知能(AI)の影響を研究するためにそれを使用します。 筋電図の学生は、AIに取り組んだり、委譲したりできる一連のタスクに直面します。 作業にはコストを要するが、スキルを構築する。 教師は、学生のスキル開発を最大化するためにタスクシーケンス(コース)を設計する。 AIがなければ、教師は以前のタスクをより集中的にし、後のタスクをよりスキル集約的にします。 AIでは、教師は努力を誘導するために早期のタスクを再設計し、スキル開発を減らさなければなりません。 もしAIが努力を補完すれば、AI品質の改善によって、高度な学生はより速く学習するが、低いスキルの学生はより遅く学習する。

関連論文リスト

• What do professional software developers need to know to succeed in an age of Artificial Intelligence? [1.5774644021279332]
  ジェネレーティブAIは、ソフトウェア開発者にとって生産性向上の初期の証拠を見せている。 我々は、AIの使用の最先端にいる21人の開発者による研究について述べ、彼らが発見した12の作業目標と75の関連するタスク、それぞれに関するスキルと知識をまとめています。 私たちは、成功するAI開発者になるためのスキルと知識が、4つのドメインにまとめられていることに気づきました。
  論文  参考訳（メタデータ） (2025-05-30T20:14:03Z)
• SPIRE: Synergistic Planning, Imitation, and Reinforcement Learning for Long-Horizon Manipulation [58.14969377419633]
  タスクをより小さな学習サブプロブレムに分解し、第2に模倣と強化学習を組み合わせてその強みを最大化するシステムであるspireを提案する。 我々は、模倣学習、強化学習、計画を統合する従来の手法よりも平均タスク性能が35%から50%向上していることを発見した。
  論文  参考訳（メタデータ） (2024-10-23T17:42:07Z)
• Progressively Efficient Learning [58.6490456517954]
  我々はCEIL(Communication-Efficient Interactive Learning)という新しい学習フレームワークを開発した。 CEILは、学習者と教師がより抽象的な意図を交換することで効率的にコミュニケーションする人間のようなパターンの出現につながる。 CEILで訓練されたエージェントは、新しいタスクを素早く習得し、非階層的で階層的な模倣学習を、絶対的な成功率で最大50%、20%上回った。
  論文  参考訳（メタデータ） (2023-10-13T07:52:04Z)
• Bootstrapping Developmental AIs: From Simple Competences to Intelligent Human-Compatible AIs [0.0]
  主流のAIアプローチは、大きな言語モデル(LLM)による生成的および深層学習アプローチと、手動で構築されたシンボリックアプローチである。 このポジションペーパーでは、開発AIの実践を拡張して、レジリエンスでインテリジェントで、人間と互換性のあるAIを作り出すための、展望、ギャップ、課題を概説する。
  論文  参考訳（メタデータ） (2023-08-08T21:14:21Z)
• HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in Hugging Face [85.25054021362232]
  大規模言語モデル(LLM)は、言語理解、生成、相互作用、推論において例外的な能力を示した。 LLMは、複雑なAIタスクを解決するために既存のAIモデルを管理するコントローラとして機能する可能性がある。 本稿では,機械学習コミュニティのさまざまなAIモデルを接続するLLMエージェントであるHuggingGPTを紹介する。
  論文  参考訳（メタデータ） (2023-03-30T17:48:28Z)
• Human Decision Makings on Curriculum Reinforcement Learning with Difficulty Adjustment [52.07473934146584]
  我々は,カリキュラム強化学習結果を,人的意思決定プロセスから学ぶことで,難しすぎず,難しすぎるような望ましいパフォーマンスレベルに導く。 本システムは非常に並列化可能であり,大規模強化学習アプリケーションの訓練が可能となる。 強化学習性能は、人間の所望の難易度と同期してうまく調整できることが示される。
  論文  参考訳（メタデータ） (2022-08-04T23:53:51Z)
• The MineRL BASALT Competition on Learning from Human Feedback [58.17897225617566]
  MineRL BASALTコンペティションは、この重要な種類の技術の研究を促進することを目的としている。 Minecraftでは、ハードコードされた報酬関数を書くのが難しいと期待する4つのタスクのスイートを設計しています。 これら4つのタスクのそれぞれについて、人間のデモのデータセットを提供するとともに、模擬学習ベースラインを提供する。
  論文  参考訳（メタデータ） (2021-07-05T12:18:17Z)
• Discovering Generalizable Skills via Automated Generation of Diverse Tasks [82.16392072211337]
  本稿では,多種多様なタスクの自動生成による一般化可能なスキルの発見手法を提案する。 教師なしスキル発見の先行研究とは対照的に,本手法では各スキルをトレーニング可能なタスクジェネレータが生成するユニークなタスクとペアリングする。 生成したタスクにおけるロボットの動作に定義されたタスク判別器を共同で訓練し、多様性目標の低いエビデンスを推定する。 学習スキルは階層的な強化学習アルゴリズムで構成され、目に見えない目標タスクを解決する。
  論文  参考訳（メタデータ） (2021-06-26T03:41:51Z)

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。