NIPSFeb, 2018

基于召回概率的自适应学习优先级预测

PDF
TL;DR应用机器学习技术中的多元逻辑回归和循环神经网络，提出了可个性化推荐的学习方案，可以帮助学生更好地掌握知识点和时间安排。
machine-directed study strategiesitem-specific recall probabilitydiscrepancy-reduction instruction strategymultiple logistic regressionrecurrent power law
发现论文，激发创造
  • 无限人类学习：间隔重复的最佳调度

    使用间隔重复系统的日志数据，针对人类学习中重复学习的作用，在 Leitner 系统中优化复习进度，通过机械土耳其实验验证新物品引入的速率对学习结果的影响等方面进行研究。

    Feb, 2016

  • DAS3H: 建模学生学习和遗忘以优化技能分布式练习的调度

    文章研究了基于多技能的记忆优化问题，并提出了一种适用于该问题的学生学习和遗忘模型 DAS3H，该模型结合了过去练习对技能的时空分布的考虑，能更好地预测学生表现并提高学习效果。

    May, 2019

  • RLTutor: 基于强化学习的自适应教学系统，通过模拟虚拟学生减少交互次数

    该研究提出了通过构建学生的虚拟模型来实现教学策略优化的框架，并在实验中使用该数学模型进行了教学，结果表明其性能与传统教学方法相当。该框架可作为理论教学优化和电子学习系统实际应用之间的缓冲。

    Jul, 2021

  • 语言模型对多项选择任务的预测在评分方法变化下不稳定

    该研究系统比较了多个选择题语言模型的不同预测方法，包括根据生成的回答进行评分、基于概率的得分方法、李克特量表风格的评分方法和嵌入相似度。通过对实用语言解释的案例研究发现，语言模型的预测结果在方法选择的变化下不具有稳健性，无论是在单个语言模型内部还是在不同语言模型之间。由于这种变异性导致研究人员在报告结果时存在显著的自由度，了解这种变异性对于确保结果的稳健性和研究诚信至关重要。

    Mar, 2024

  • 基于动机的机器学习方法预测学生的学术表现和学习策略

    本研究使用 Scikit-learn 中五种机器学习模型，在 924 名牙科学生的数据集上训练并比较，结果显示随机森林模型的准确率为 94.9％，效果最佳。研究建立的模型可以用于预测学生的表现和学习策略，并实施恰当的干预措施来提高学生的学习进展。

    Oct, 2022

  • 背诵、重建、回忆：语言模型中的记忆作为多层次现象

    以分类方式解析记忆化过程，并构建预测模型，发现不同因素根据分类方式对记忆化概率产生不同影响。

    Jun, 2024

  • 一种元学习方法用于预测性能和数据需求

    本文提出了一种用分段幂律（Piecewise Power Law，PPL）来估算模型达到目标性能所需样本数量的方法，并通过随机森林回归器进行元学习来估算 PPL 的参数，从而显著提高了对模型性能的估计效果，同时提出了一种置信区间使得预测更加准确。

    Mar, 2023

  • 基于 Bandit 反馈的三种训练方法

    本文综述了机器学习在推荐系统日志中的训练方法，并在 RecoGym 仿真环境中进行了实验。三种不同的训练方法分别是模型奖励预测，历史推荐分布调整和倾向性分数逆向估计，并探讨了它们的优缺点和性能表现。

    Apr, 2019

  • 基于 PLM 的替代模型在 IRT 评估中控制填空测试题目的难度

    我们提出了一个使用预训练语言模型作为代理模型进行项目反应理论评估的框架，通过使用排名规则控制缺失项和干扰项的难度水平，有效地控制和评估多选填空测试的难度水平。

    Mar, 2024

  • 大型语言模型中的紧急和可预测记忆

    通过对 Pythia 模型套件的记忆行为进行度量和分析，发现中间检查点是模型记忆行为的更好预测因素，同时提供了有关模型和数据记忆得分分布的新颖发现

    Apr, 2023