Transformer-Based Semantic SBERT Robot with CI Mechanism for Students and Machine Co-Learning
Notice bibliographique
Résumé
This paper proposes a transformer-based semantic robot with a computational intelligence (CI) mechanism designed for use in an educational co-learning environment, where teachers, teaching assistants, and students interact with the CI robot and attention ontology to enhance the learning process. The approach is applied in two distinct applications. The first, focusing on student-machine co-learning with writing performance evaluation, involves an attention-based mechanism for curating learning content from students, which is further refined by a preprocessing mechanism with expert-based fuzzy numbers. The second, concentrating on student-machine co-learning with speaking performance evaluation, introduces a Meta AI Universal Speech Translator (UST) Taiwanese/English agent that translates content into English and Taiwanese speeches, as well as into English and Chinese texts. This transformer-based robot for computing semantic similarities employs a trained semantic Sentence-BERT (SBERT) model to analyze student-machine co-learning contents. Given the large size of the co-learning content with the ontology model, we implement a chunk-based approach for processing. This method enables effective comparison of the extensive student-provided learning content with the evaluative content from teachers and teaching assistants. Additionally, a Human Intelligence (HI)-based robot, equipped with a CI assessment mechanism based on fuzzy numbers, evaluates performance and adjusts the evaluation content of teachers and teaching assistants based on HI fuzzy numbers. Experimental results indicate that the proposed CI robot can reduce teachers' burden and objectively evaluate student-machine co-learning performance, thereby narrowing the gap in actual student-machine co-learning performance. Furthermore, it aids in assessing student-machine co-learning performance and understanding, creating a more personalized and effective learning environment.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».