Jul, 2022

探究逆向策略学习对逻辑辅导的影响：帮助子目标学习以改善问题解决

PDF
TL;DR本文研究了一种在智能逻辑辅导员中教导学生如何倒退式思考策略，从而提高学生的分目标方法和解决问题的能力的培训策略，并分析了学生在培训过程中的经验，表现和证明建设方法。结果表明，训练了倒退式工作示例和解决问题的学生在独立解决新问题时表现更佳，而且在证明建设中推导出的分目标的效率也更高。
subgoalsproblem-solving strategiesbackward worked examplesintelligent logic tutorproof construction
发现论文，激发创造
  • 前向链与后向链相结合的元认知技能习得和迁移

    研究了在逻辑推理教学中混合使用正向连接和反向连接策略对提高非具备策略感知和时间感知能力的学生的效果。实验结果显示，在逻辑推理和概率教学中，经过该训练的学生表现出与具备策略感知和时间感知能力的学生相当的表现。

    Mar, 2023

  • 推动力的力量：在智能教学系统中探索元认知技能训练的三种干预方法

    这篇论文研究了如何通过干预方法来帮助学生学习如何在逻辑教学中使用最佳求解策略，并通过使用反向链接策略教授概率教程来比较干预效果。结果表明，教育干预方法 “Nudge” 能够提高学生的学习成绩。

    Mar, 2023

  • 从演示和指令中学习合理子目标

    该研究提出了一个可从弱注释数据中学习有用子目标的框架，以支持高效长期规划以实现新目标，该框架的核心是基于环境状态的理性子目标 (RSGS)，它们可以被指定为 A * 或 RRT 等规划算法的中间点，并显著提高规划效率。

    Mar, 2023

  • 填空题：探索和增强 LLM 在数学应用问题中倒向推理的能力

    本文研究倒向推理任务在数学问题中的应用，并提出了三种新技术以及一种基于贝叶斯公式的集成方法，这些方法显著提高了语言模型在倒向推理任务上的性能。

    Oct, 2023

  • 具有子目标预测的目标条件监督学习

    本文介绍了一种基于 “目标条件下的先验知识学习”（GCSL）算法的延伸方法 TraIL，在原有算法基础之上，通过利用轨迹的信息来预测动作和目标子目标，从而使得智能体可以在更多的目标状态下取得更好的性能表现。

    May, 2023

  • Sub-Goal Trees -- 基于目标的强化学习框架

    提出了一种基于动态规划方程的强化学习框架，能够自然地解决多目标查询问题，并使用子目标树结构构建轨迹，从而扩展策略梯度法来预测子目标，应用于神经运动规划领域，与标准强化学习相比，取得了显著的改进。

    Feb, 2020

  • 加强学生生产力模型以实现自适应问题解决援助

    本研究提出了一种基于数据驱动的方法来预测学生需要帮助的概率，并探讨了在逻辑证明等深度学科中，将学生的暗示使用情况纳入预测模型的有效性，结果表明这种主动适应的策略可以显著提高学生的学习效率和提高授课的质量。

    Jul, 2022

  • 利用深度加强学习在智能辅导系统中进行元认知干预

    通过比较经典人工智能方法和深度强化学习方法在元认知干预方面的应用，本研究在两个学期内进行两项课堂实验证明，DRL 适应性干预对缩小学生元认知技能差距具有显著作用，而静态分类器的干预只有在事先了解如何使用逆向链策略的学生中才有益处。此外，本研究所涉及的 DRL 代理在两个 ITS 上令实验学生显着超越其对照组同学。

    Apr, 2023

  • SEGO: 数学问题求解的顺序子目标优化

    提出一种名为 SEGO 的新框架，通过建立子目标分解过程与解决问题的概率之间的联系，优化大型语言模型在数学问题求解中的能力，实验证明 SEGO 的有效性并超越以往方法。

    Oct, 2023

  • 分解恩格玛：基于子目标的演示学习用于形式定理证明

    本文介绍了一个基于小目标的证明学习框架和扩散模型，成功地将证明的正确率从 38.9％提高到 45.5％，或者比长期的最先进方法提高了 5 倍的采样效率。

    May, 2023