Vom Menschen gemachte Überlegungen können die Fähigkeit einer Zweitstudie vorhersehen, Probleme zu lösen, indem sie einen Blick auf die frühere Hinrichtung werfen - und ihnen dabei helfen, sich besser anzupassen
WIE würden Sie zeigen, dass Sie wissen, was Sie wissen? Regelmäßig müssen Sie die Option zum Durchlaufen einer Prüfung auswählen.
Eine andere Berechnung könnte sowohl Ihre Einsicht verbessern als auch formale Tests durch und durch beseitigen. Die Studie wurde von Spezialisten der Stanford University und von Google in Kalifornien erstellt. Sie untersucht die Durchführung von Vorstudien zu früheren Schulungsfragen, erkennt, wo sie im Allgemeinen schlecht ausfallen werden, und formt ein Bild ihrer allgemeinen Informationen.
Es ist nicht neu, die Programmierung zu verwenden, um dem Fortschritt einer Understudie zu folgen. Bislang haben nur wenige Unternehmen tiefgreifendes Lernen missbraucht, die Kontrolle der Einflussnahme auf Maschinen, um durch Verarbeitung einer Vielzahl von Informationen zu lernen.
Chris Piech von Stanford und seine Gruppe ermutigten ihre Gruppe, mehr als 1,4 Millionen Antworten auf mathematische Fragen, die auf der Internet-Lernbühne der Khan Academy angesiedelt waren, und die Vergleichswerte zu erarbeiten. Sie bereiteten außerdem ein neuronales System vor, um Anfragen nach Art zu sortieren: beispielsweise nach Quadratwurzeln, nach der Neigung von Diagrammen oder nach dem Punkt, an dem eine Linie auf den geraden Drehpunkt in einem Diagramm trifft.
Mit diesen Daten begann sich das Framework an diesem Punkt mit den Fähigkeiten jedes Besprechers für jeden Anfragetyp vertraut zu machen.
Das Modell konnte mit einer Genauigkeit von bis zu 85 Prozent vorhersehen, ob ein Understudy eine andere Aktivität richtig oder falsch ausführen würde, indem es nur ein paar Dutzend verschiedene Anfragen annahm, auf die sie gerade geantwortet hatten. Piech stellte die Ergebnisse vor einem Monat auf dem Treffen der Neuronalen Informationsverarbeitungssysteme in Montreal, Kanada, vor.
Piech stellt sich eine progressiv verfeinerte Wiedergabe vor, die nicht nur vorhersagt, welche Adressen einer Zweitbesetzung wahrscheinlich falsch sein werden, sondern auch warum. Es wäre angenehm, sagt Piech, "für den Fall, dass wir alle die Kosten eines äußerst kostspieligen Führers tragen könnten, der Energie investieren könnte, wenn man bedenkt, was man realisieren sollte". Das ist nicht vernünftig, aber vielleicht kann man diese Art der Programmierung einfach nutzen, um herauszufinden, wo jemand kämpft, und ihnen zu helfen, sich zu verbessern.
Letztendlich könnte das Framework so genau sein, dass die Tests nicht mehr durchgeführt werden, sagt er. "Unser Instinkt lässt uns wissen, ob Sie genug Rücksicht nehmen auf das, was ein Understudy getan hat, als sie lernten, Sie würden nicht brauchen, dass sie sich setzen und einen Test absolvieren."
"Wenn Sie der Zweitbesetzung beim Lernen nicht genügend Beachtung schenken, müssen Sie sie gegen Ende nicht testen."
Die Berechnung ist eine enorme Entwicklung auf dem neuesten Stand, sagt Tamara Sumner von der University of Colorado in Boulder. "Besonders bemerkenswert ist, dass diese Methodik keinen großen menschlichen Beitrag zur Kommentierung der Erstellung von Informationen oder handgefertigten Eignungsmodellen erfordert."
Neil Heffernan, ein PC-Forscher am Worcester Polytechnic Institute in Massachusetts, ist der Ansicht, dass es unerlässlich ist, bessere Ansätze zu entwickeln, um die Ausführung von Understudies vorwegzunehmen. Auf jeden Fall fragt er sich, ob das neue Framework von praktischer Bedeutung ist: Kann es uns zum Beispiel zeigen, wie wir mit größerer Wahrscheinlichkeit Zweitstudien verschiedener Grundlagen oder Fähigkeitsstufen ausbilden können? "Was bedeutet es, die Fähigkeit zu haben, eine erheblich verbesserte Aktivität zum Antizipieren von Dingen durchzuführen?" er erkundigt sich "Ich wünschte, wir könnten das in etwas Wichtiges verwandeln."
No comments:
Post a Comment