MétaCan
Menu
Retour à la cohorte
Enregistrement W2895973392 · doi:10.1109/cig.2018.8490374

Evolving Number Sentence Morphing Puzzles

2018· article· en· W2895973392 sur OpenAlexaff
Daniel Ashlock, Courtney Kolthof

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueArtificial Intelligence in Games
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésSentenceComputer scienceMorphingClass (philosophy)Edit distanceArtificial intelligenceWord (group theory)Object (grammar)Natural language processingTheoretical computer scienceMathematics

Résumé

récupéré en direct d'OpenAlex

Number sentence morphing is an example of a type of edit puzzle. Edit puzzles choose a class of objects and a collection of editing operators. The goal of the puzzle is to change an initial configuration into a final one, using the edit operations, with the intermediate objects remaining within the selected class of of objects. Changing one English word into another by changing single letters, with all the intermediate steps also consisting of English words, is a typical example of an edit game. A number sentence is a well formed mathematical object, which can be used to generate a type of edit puzzle called Number sentence morphing. This puzzle has the player transform a false number sentence into a true one by removing and replacing symbols from a number sentence while leaving the sentence well formed. This type of puzzle is intended for teaching students the notion of well-formation in a game setting as well as providing practice with basic arithmetic. An evolutionary algorithm is used to construct number sentence morphing puzzles while certifying that they can be solved and requiring a minimal number of steps in a solution. The search for number sentences is template driven so particular forms of sentences are searched for in their own sets of runs. An unexpected outcome of this study is that the search landscapes for different templates are very different.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,818
Score d'incertitude au seuil0,996

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,004

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,036
Tête enseignante GPT0,304
Écart entre enseignants0,267 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetArtificial Intelligence in GamesTravaux en français237 207