代理模型中的程序学习理论统一
计算机与社会
2025-04-15 v2 人工智能
摘要
计算模型的人类学习可以在增强我们对理论和定性学习理论及框架中细微差异的了解方面发挥重要作用。在教育环境中，有许多现有的框架已被证明可以通过经验研究进行验证，但有时我们会发现这些理论会对指令提出冲突的主张或建议。在本研究中，我们提出了一种新的人类学习计算模型，程序化 ABICAP，能够在 ICAP、知识-学习-指令 (KLI) 和认知负荷理论 (CLT) 三个框架中寻找和解。ICAP 假设建构性学习通常会产生更好的学习结果，而诸如 KLI 和 CLT 之类的理论则声称这并非总是如此。我们认为，这可能的一个原因是 ICAP 主要用于概念学习，而在关于程序学习的框架中表述不够具体。我们展示了我们的计算模型——无论是在设计方面还是通过仿真——如何用于 reconciling 文献中的不同结果。更广泛地说，我们将我们的计算模型置于可模拟各种教育环境的可执行学习理论中。
引用
@article{arxiv.2408.13364,
title = {Reconciling Different Theories of Learning with an Agent-based Model of Procedural Learning},
author = {Sina Rismanchian and Shayan Doroudi},
journal= {arXiv preprint arXiv:2408.13364},
year = {2025}
}