ترجمه فارسی مقاله راهزنان چند مسلح سلسله مراتبی برای آموزش هوشمند همزمان مفاهیم و مسائل در سطوح مختلف دشواری

چکیده

Remote education has proliferated in the twenty-first century, yielding rise to intelligent tutoring systems. In particular, research has found multi-armed bandit (MAB) intelligent tutors to have notable abilities in traversing the exploration-exploitation trade-off landscape for student problem recommendations. Prior literature, however, contains a significant lack of open-sourced MAB intelligent tutors, which impedes potential applications of these educational MAB recommendation systems. In this paper, we combine recent literature on MAB intelligent tutoring techniques into an open-sourced and simply deployable hierarchical MAB algorithm, capable of progressing students concurrently through concepts and problems, determining ideal recommended problem difficulties, and assessing latent memory decay. We evaluate our algorithm using simulated groups of 500 students, utilizing Bayesian Knowledge Tracing to estimate students’ content mastery. Results suggest that our algorithm, when turned difficulty-agnostic, significantly boosts student success, and that the further addition of problem-difficulty adaptation notably improves this metric.

چکیده به فارسی (ترجمه ماشینی)

آموزش از راه دور در قرن بیست و یکم گسترش یافته و باعث افزایش سیستم های تدریس هوشمند شده است.به طور خاص ، تحقیقات نشان داده است که مربیان هوشمند راهزن چند مسلح (MAB) دارای توانایی های قابل توجهی در گذر از چشم انداز تجارت اکتشاف-بهره برداری برای توصیه های مشکل دانشجویی هستند.با این حال ، ادبیات قبلی حاوی فقدان قابل توجهی از مربیان هوشمند MAB با منبع باز است که مانع کاربردهای بالقوه این سیستم های توصیه MAB آموزشی می شود.در این مقاله ، ما ادبیات اخیر در مورد تکنیک های آموزش هوشمند MAB را در یک الگوریتم MAB سلسله مراتبی با منبع باز و به سادگی مستقر در می آوریم ، قادر به پیشرفت دانش آموزان به طور همزمان از طریق مفاهیم و مشکلات ، تعیین مشکلات مشکل ایده آل ایده آل و ارزیابی پوسیدگی حافظه نهان است.ما الگوریتم خود را با استفاده از گروه های شبیه سازی شده از 500 دانش آموز ، با استفاده از ردیابی دانش بیزی برای برآورد تسلط بر محتوای دانش آموزان ارزیابی می کنیم.نتایج حاکی از آن است که الگوریتم ما ، هنگامی که به سختی آگنوستیک تبدیل شده است ، موفقیت دانشجویی را به طور قابل توجهی تقویت می کند ، و این که افزودن بیشتر سازگاری با مشکل به ویژه این متریک را بهبود می بخشد.