論文の概要: Atom Learning Model (ALM): how a real classroom got tokenised
- arxiv url: http://arxiv.org/abs/2608.21106v2
- Date: Mon, 24 Aug 2026 08:26:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.051985
- Title: Atom Learning Model (ALM): how a real classroom got tokenised
- Title（参考訳）: Atom Learning Model (ALM): 実際の教室がトークン化された方法
- Abstract要約: Atom Learning Modelは学校のカリキュラムをトークン化する。
757ページを読むのに55ポンドかかり、構造全体のコストは615ポンドから1,230ポンドであった。
システムでは、7週間に2つのイギリス中等教育機関で373人の子どもに対して6,648の質問を作成した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Atom Learning Model (ALM) tokenises a school curriculum. Two secondary mathematics textbooks were read by machine into 1,934 atoms, each one thing a learner can do in a single step, ordered by 4,616 machine-written prerequisite links. Both sides of a lesson are then expressed in that one structure: a question is a set of atoms plus everything beneath them, a child's ability is a score between 0 and 1 on every atom of the same graph, and whether a question suits a child is arithmetic over one index, with no difficulty parameter fitted for either side. Nobody wrote an atom, a link or a question. Reading the 757 pages cost £55, building the whole structure cost between £615 and £1,230, and against it the system composed 6,648 questions for 373 children in two English secondary schools over seven weeks, at 26p per composed question. Four measurements went against expectation. The cost is in the links, not the pages. The composer's own difficulty label has a rank correlation of -0.0123 with measured facility, so a language model shown a question cannot say how hard it is. Children stop working when a mark takes seven seconds instead of three. And the deployment never served a question deeper than two prerequisite steps, which is exactly where the central premise becomes testable, leaving it unfalsified rather than confirmed.
- Abstract（参考訳）: Atom Learning Model (ALM)は、学校のカリキュラムをトークン化する。
2つの二次数学教科書は1,934個の原子に機械で読み上げられた。
質問は、その下にある全ての原子の集合であり、子供の能力は、同じグラフのすべての原子で0から1のスコアであり、質問が1つの指標に適合するかどうか、どちらにも難易度パラメータが適用されない。
誰も原子やリンクや質問を書かなかった。
757ページを読むのにかかる費用は55ポンドで、構造全体の費用は615ポンドから1230ポンドの間であり、それに対してこのシステムは7週間にわたってイギリス中等教育2校の児童373人に対して6,648件の質問を1問あたり26pで作成した。
4つの測定結果が予想に反していた。
コストはページではなくリンクにある。
作曲家自身の難易度ラベルは -0.0123 のランク相関を持つため、疑問を示す言語モデルではそれがどれだけ難しいかは言えない。
子どもたちは、マークが3秒ではなく7秒で動くのをやめます。
そして、デプロイは2つの前提条件のステップよりも深い質問に役立ちません。
関連論文リスト
- A dataset of rated conceptual arguments [49.54098427599201]
本研究では,大言語モデルの概念的疑問を推論する能力について検討する。
哲学的な問題の多くは、AIの安全性、意思決定理論、社会的選択における問題の中心的な要素である。
位置テキスト442の議論的批判を991のデータセットで紹介する。
論文 参考訳（メタデータ） (2026-07-29T22:30:59Z) - Different Teachers, Different Capabilities: Sub-1B On-Device Distillation for Structured Text Enrichment [0.0]
高制約構造抽出は、各項目で大きなモデルのレイテンシを支払うので、タスクを小さなオンデバイスモデルに蒸留することは魅力的である。
各ニュース記事は、短い要約と5つのカテゴリラベルを持つ1つのオブジェクトにマッピングされる。
盲目で基準のない3つのジャッジパネルは、全記事に対して各アームをスコアし、2つの非蒸留ベースライン、数発のプロンプトと制約付き復号を行う。
論文 参考訳（メタデータ） (2026-07-09T09:10:49Z) - From Models to Microtheories: Distilling a Model's Topical Knowledge for Grounded Question Answering [86.36792996924244]
マイクロ理論は、あるトピックに関するLMのコア知識をカプセル化した文である。
一般的なコーパス(例えばウィキペディア)に追加されると、マイクロ理論はコーパスに必ずしも存在しない重要なトピック情報を供給できることを示す。
また, 医療分野での人体評価において, 蒸留された微生物は, 局所的に重要な事実の濃度が有意に高くなることが示唆された。
論文 参考訳（メタデータ） (2024-12-23T16:32:55Z) - Physics of Language Models: Part 2.1, Grade-School Math and the Hidden Reasoning Process [47.753284211200665]
言語モデルの最近の進歩は、数学的推論問題を解く能力を示している。
本研究は,言語モデルが数学的問題を解くための隠された多くのメカニズムを明らかにする。
論文 参考訳（メタデータ） (2024-07-29T17:52:40Z) - Frontier Language Models are not Robust to Adversarial Arithmetic, or
"What do I need to say so you agree 2+2=5? [88.59136033348378]
言語モデルアライメントのための単純なテストベッドを提供する逆算術の問題を考察する。
この問題は自然言語で表される算術的な問題から成り、質問が完了する前に任意の逆文字列を挿入する。
これらの攻撃に対して、強化学習やエージェント構成ループを通じて、モデルを部分的に強化できることが示される。
論文 参考訳（メタデータ） (2023-11-08T19:07:10Z) - Towards a Holistic Understanding of Mathematical Questions with
Contrastive Pre-training [65.10741459705739]
本稿では,数学的問題表現,すなわち QuesCo に対する対照的な事前学習手法を提案する。
まず、コンテンツレベルと構造レベルを含む2段階の質問強化を設計し、類似した目的で文字通り多様な質問ペアを生成する。
そこで我々は,知識概念の階層的情報を完全に活用するために,知識階層を意識したランク戦略を提案する。
論文 参考訳（メタデータ） (2023-01-18T14:23:29Z) - Fantastic Questions and Where to Find Them: FairytaleQA -- An Authentic
Dataset for Narrative Comprehension [136.82507046638784]
幼稚園児の物語理解に焦点を当てたデータセットであるFairytaleQAを8年生に紹介する。
FairytaleQAは10,580の明示的で暗黙的な質問で構成されており、278の子供フレンドリーな物語から導かれる。
論文 参考訳（メタデータ） (2022-03-26T00:20:05Z) - I Do Not Understand What I Cannot Define: Automatic Question Generation
With Pedagogically-Driven Content Selection [0.08602553195689512]
学習者が何を読んでいるかという質問は、テキスト理解を育むための確立した方法である。
多くの教科書では、執筆に時間がかかり高価であるため、自己評価の疑問が欠落している。
本稿では,任意の教科書内容の質問文や回答を見つけるための,教育学的に意味のあるコンテンツ選択機構を提案する。
論文 参考訳（メタデータ） (2021-10-08T13:29:13Z) - It is AI's Turn to Ask Human a Question: Question and Answer Pair
Generation for Children Storybooks in FairytaleQA Dataset [30.557699346777582]
教育応用においては、教師や親は、言語学習結果を最大化できる子どもにどんな質問をすべきか分からないことがある。
新たにリリースされた書籍QAデータセット(FairytaleQA)を用いて,本アプリケーションのための自動QA生成モデルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2021-09-08T04:11:54Z) - Quantum Atom Optics: Theory and Applications to Quantum Technology [0.0]
本書は、基礎量子力学の知識を前提として、大学院から大学院の教科書として書かれている。
本は中性原子多体原子系を扱うために必要な技術を得たい学生に合う。
論文 参考訳（メタデータ） (2020-07-29T05:10:49Z)
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。