論文の概要: Strategy-Oriented Feedback for Fostering Systematic Problem-Solving in Machine Learning Education

• arxiv url: http://arxiv.org/abs/2608.12362v1
• Date: Mon, 06 Jul 2026 06:31:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.193013
• Title: Strategy-Oriented Feedback for Fostering Systematic Problem-Solving in Machine Learning Education
• Title（参考訳）: 機械学習教育における系統的問題解決のための戦略指向フィードバック
• Abstract要約: コンピューティング教育における中心的な目標は、学生が体系的な問題解決戦略を開発できるようにすることである。 構造化された問題解決戦略の開発と持続性を促進することは依然として困難である。 個別化されたメッセージを生成する適応型フィードバックモジュールを用いて、決定木構築のためのデジタルパズルベースの学習ゲームを拡張した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Enabling students to develop systematic problem-solving strategies is a central goal in computing education and of particular relevance in the emerging field of machine learning (ML) education. While exploratory approaches are common in ML learning tasks, fostering the development and persistence of structured problem-solving strategies remains challenging, as these demand considerable metacognitive regulation and persistence, causing learners to often revert to exploratory trial-and-error behavior. To address this challenge, we augmented a digital puzzle-based learning game for decision tree construction with an adaptive feedback module generating individualized messages based on the continuous evaluation of learners' problem-solving strategies. Building on an earlier baseline study, the present work investigates how this strategy-oriented feedback shapes students' problem-solving processes. For this purpose, screencast video data and gameplay logs (N=205, approx. 55 hours of gameplay footage) are used to enable fine-grained insights into learners' strategic behavior, its persistence, and transitions. The findings demonstrate how strategy-oriented feedback can support the development of structured problem-solving skills in decision tree construction and inform the design of ML learning environments that foster transferable competencies in secondary computing education.
• Abstract（参考訳）: 学生が体系的な問題解決戦略を開発するよう促すことは、コンピューティング教育における中心的な目標であり、機械学習(ML)教育の新興分野における特に関連性である。 探索的アプローチはML学習タスクでは一般的であるが、構造化された問題解決戦略の開発と持続性の向上は、メタ認知的規制と永続性を必要とするため、学習者は探索的試行錯誤行動に戻ることがしばしばあるため、依然として困難である。 この課題に対処するために,学習者の問題解決戦略の継続的な評価に基づいて個別化されたメッセージを生成する適応フィードバックモジュールを用いて,決定木構築のためのデジタルパズルベースの学習ゲームを拡張した。 本研究は,この戦略指向のフィードバックが学生の問題解決過程をどのように形作るかを検討する。 この目的のために, 学習者の戦略行動, 永続性, 推移に関する微妙な洞察を可能にするために, スクリーンキャスト映像データとゲームプレイログ(N=205, 約55時間のゲームプレイ映像)を用いている。 この結果は,決定木構築における構造化問題解決スキルの開発を支援する戦略指向のフィードバックが,二次コンピューティング教育における伝達能力を高めるML学習環境の設計にどのように役立つかを示す。

関連論文リスト

• Modularizing Educational LLM-Agency for Fostering Responsible Learning Assistance [1.0554048699217669]
  モノリシックでアウト・オブ・ザ・ボックスのソリューションに固有の構造的欠点について論じる。 本研究では,運動問題解決の異なる段階の特定のモジュールを提案し,対象の教育的アドバイスを組み込むことを可能にした。
  論文  参考訳（メタデータ） (2026-05-28T16:31:32Z)
• How Developers Choose Debugging Strategies for Challenging Web Application Defects [9.00716644826864]
  本研究では,複雑なシナリオにおける戦略選択に影響を与える要因について検討する。 その結果、文脈要因は複雑な方法で相互作用し、要因の組み合わせは戦略選択に影響を及ぼすことがわかった。 この結果から,挑戦的文脈における学習と効果的な戦略実践のギャップが示唆された。
  論文  参考訳（メタデータ） (2025-01-20T23:43:36Z)
• Exploring Parity Challenges in Reinforcement Learning through Curriculum Learning with Noisy Labels [0.0]
  本稿では,カリキュラム学習フレームワーク内に構築され,ノイズラベルを付加したシミュレーション学習プロセスを提案する。 このアプローチは、ニューラルネットワーク(NN)が小学校からより複雑なゲームポジションにどのように適応し、進化するかを、徹底的に分析する。
  論文  参考訳（メタデータ） (2023-12-08T21:32:39Z)
• Causal Reinforcement Learning: A Survey [57.368108154871]
  強化学習は、不確実性の下でのシーケンシャルな決定問題の解決に不可欠なパラダイムである。 主な障害の1つは、強化学習エージェントが世界に対する根本的な理解を欠いていることである。 因果性は、体系的な方法で知識を形式化できるという点で顕著な利点がある。
  論文  参考訳（メタデータ） (2023-07-04T03:00:43Z)
• Investigating the Impact of Backward Strategy Learning in a Logic Tutor: Aiding Subgoal Learning towards Improved Problem Solving [6.639504127104268]
  トレーニングセッションでは、学生が後方戦略を学ぶのを助けるために、後方作業例(BWE)と問題解決(BPS)が実施された。 以上の結果から,BWEとBPSを併用した訓練を受けた学生は,BWEとBWEの併用が認められなかった場合,BWEとBWEの併用が困難であった。
  論文  参考訳（メタデータ） (2022-07-27T00:43:52Z)
• Teachable Reinforcement Learning via Advice Distillation [161.43457947665073]
  外部教師が提供した構造化アドバイスから学習する「教育可能な」意思決定システムに基づく対話型学習のための新しい指導パラダイムを提案する。 我々は、アドバイスから学ぶエージェントが、標準的な強化学習アルゴリズムよりも人的監督力の少ない新しいスキルを習得できることを示す。
  論文  参考訳（メタデータ） (2022-03-19T03:22:57Z)
• Transfer Learning in Deep Reinforcement Learning: A Survey [64.36174156782333]
  強化学習は、シーケンシャルな意思決定問題を解決するための学習パラダイムである。 近年、ディープニューラルネットワークの急速な発展により、強化学習の顕著な進歩が見られた。 転校学習は 強化学習が直面する様々な課題に 対処するために生まれました
  論文  参考訳（メタデータ） (2020-09-16T18:38:54Z)

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。