Transformer-Based Semantic SBERT Robot with CI Mechanism for Students and Machine Co-Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle