AAAINov, 2019

TrueLearn: 一族贝叶斯算法，以匹配终身学习者与开放教育资源

PDF
TL;DR本文提出了一种动态、可扩展、透明的教育推荐系统，基于 Wikipedia 的文本本体自动提取教育资源的知识组件及启发于项目反应理论和知识追踪的一组在线贝叶斯策略。我们的提案 TrueLearn 专注于向具有足够背景知识并能够理解和学习材料的学习者推荐具备足够新颖性的材料，以帮助学习者提高对主题的知识并保持他们的主动性。我们还构建了一个大型的开放式教育视频讲座数据集，并测试了所提算法的性能，结果显示出建立有效的教育推荐系统的明显前景。
computer-assisted learninglifelong learningrecommendation systembayesian strategiesopen educational resources
发现论文，激发创造
  • 面向终身学习者的综合教育推荐系统

    本研究旨在通过 Integrative approach 构建一个新颖的 TrueLearn 教育推荐系统，该系统由多种学习参考驱动，可以同时考虑学习者的知识和内容的新颖性，并保持长期时间的准确学习者代表性。

    Dec, 2019

  • TrueLearn: 个性化信息推荐的 Python 库（含隐式反馈）

    描述了 TrueLearn Python 库，包含一系列用于构建教育（或更一般地说，信息）推荐系统的在线学习贝叶斯模型。该库还包含不同的表示形式来帮助最终用户可视化学习者模型，与其自己的模型进行交互，使其更易解释且易于控制。同时，作者提供了一个公开发布的隐式反馈教育数据集以及评估指标，用于衡量模型的性能。该库的广泛文档和编码示例使其对机器学习开发者、教育数据挖掘和学习分析实践者都非常易于使用。

    Sep, 2023

  • 一种用于终身学习的 PAC-Bayesian 边界

    本文从理论角度研究终身学习，提出了 PAC-Bayesian 泛化界限，得出了两种原则性的算法并取得了可与现有方法相媲美的结果。

    Nov, 2013

  • 终身学习系统的潜在特性

    介绍了一种算法无关的可解释的替代建模方法，以评估终身学习算法的潜在特性，并通过对合成数据的实验验证了该方法的有效性。

    Jul, 2022

  • BOWLL: 一个看似简单的开放世界终身学习器

    通过广泛的实证评估，我们强调我们的方法为能够有效地保持知识、有选择地关注信息性数据和加速未来学习的模型应成为未来的标准。

    Feb, 2024

  • 关于概念化和电子学习中学习路径推荐系统的概述

    通过调查研究项目的方式，我们提出了一个学习路径的概念，并在这一背景下嵌入了五种不同的推荐系统，以促进学生的学习和理解。

    Jun, 2024

  • 终身教师 - 学生网络学习

    提出了一种基于教师 - 学生网络框架的新型终身学习方法，利用生成对抗网络（GAN）实现教师模块，保留和回放以往学习数据库的概率表示，利用变分自编码器（VAE）实现学生模块，学习捕捉不同领域的连续和离散数据表征，并应用于监督、半监督和无监督培训。

    Jul, 2021

  • 终身生成建模

    本文介绍了一种基于学生 - 教师 VAE 架构的无监督生成建模的终身学习方法，通过引入一种新的跨模型正则化器，以减少神经网络在连续学习情况下面临的灾难性干扰，并在多个数据集上验证了其性能。

    May, 2017

  • 终身学习 AI 加速器设计原则

    生命周期学习的发展需要适合边缘平台的硬件加速器，该研究探讨了如何设计面向无线环境部署的生命周期学习 AI 加速器，以及评估这些加速器的关键功能和指标，并探讨了不同新兴技术在生命周期学习加速器设计中的作用。

    Oct, 2023

  • LifeLearner：面向嵌入式计算平台的硬件感知元持续学习系统

    LifeLearner 是一种硬件感知的元可持续学习系统，它在确保高准确性的同时，极大地优化了系统资源（降低内存、延迟和能耗），并成功部署在资源有限的嵌入式平台和物联网设备上，实现了接近最佳的可持续学习性能。

    Nov, 2023