Bridging Declarative, Procedural, and Conditional Metacognitive Knowledge Gap Using Deep Reinforcement Learning

要約

タイトル：Deep Reinforcement Learningを使用した宣言的、手順的、条件付きメタ認知知識のギャップ克服

要約：
– 推論ドメインにおいて、宣言的知識、手順的知識、条件付き学習の3つのメタ認知知識タイプがある。
– この研究では、Deep Reinforcement Learning（DRL）を利用して、ITシステムを超えた将来の学習に備え、3つの知識タイプの間のギャップを埋める適応型メタ認知介入を提供する。
– 学生は、デフォルトの順方向推論戦略をサポートする論理チューターで、逆方向推論（BC）戦略をどう、いつ使うかを教える介入を受けた。6週間後に、介入のない確率チューターでBCのみをサポートするように学生を訓練した。
– 結果は、DRLがメタ認知知識のギャップを埋め、コントロールのある比較グループと比べて学習パフォーマンスを大幅に改善したことを示している。
– さらに、DRLポリシーは、宣言的、手順的、条件付きの学生のメタ認知発達に適応し、戦略的な決定をより自律的にさせた。

要約(オリジナル)

In deductive domains, three metacognitive knowledge types in ascending order are declarative, procedural, and conditional learning. This work leverages Deep Reinforcement Learning (DRL) in providing adaptive metacognitive interventions to bridge the gap between the three knowledge types and prepare students for future learning across Intelligent Tutoring Systems (ITSs). Students received these interventions that taught how and when to use a backward-chaining (BC) strategy on a logic tutor that supports a default forward-chaining strategy. Six weeks later, we trained students on a probability tutor that only supports BC without interventions. Our results show that on both ITSs, DRL bridged the metacognitive knowledge gap between students and significantly improved their learning performance over their control peers. Furthermore, the DRL policy adapted to the metacognitive development on the logic tutor across declarative, procedural, and conditional students, causing their strategic decisions to be more autonomous.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI