scholarly journals Estimation and inference in adaptive learning models with slowly decreasing gains

2021 ◽  
Author(s):  
Alexander Mayer
Keyword(s):  
Adaptive Learning ◽  
Learning Models

Educational Technology Standards

2011 ◽  
pp. 413-425
Author(s):  
Michael O’Dea
Keyword(s):  
Learning Environments ◽  
Adaptive Learning ◽  
Educational Program ◽  
Approaches To Learning ◽  
Technology Standards ◽  
Learning Models ◽  
Student Records ◽  
Teaching Institution ◽  
E Learning ◽  
Pedagogical Approaches

The “holy grail” of e-learning is to enable individualized, flexible, adaptive learning environments that support different learning models or pedagogical approaches to learning to allow any Internet-connected user to undertake an educational program. It is also very highly desirable, from a more practical viewpoint, if this environment can also integrate into the wider MIS/student records system of the teaching institution.

Learning from Inflation Experiences *

2015 ◽  
Vol 131 (1) ◽  
pp. 53-87 ◽  
Author(s):  
Ulrike Malmendier ◽  
Stefan Nagel
Keyword(s):  
Adaptive Learning ◽  
Inflation Expectations ◽  
Older Individuals ◽  
Learning Models ◽  
Lifetime History ◽  
Age Dependent ◽  
Lending Behavior ◽  
Household Borrowing

Abstract How do individuals form expectations about future inflation? We propose that individuals overweight inflation experienced during their lifetimes. This approach modifies existing adaptive learning models to allow for age-dependent updating of expectations in response to inflation surprises. Young individuals update their expectations more strongly than older individuals since recent experiences account for a greater share of their accumulated lifetime history. We find support for these predictions using 57 years of microdata on inflation expectations from the Reuters/Michigan Survey of Consumers. Differences in experiences strongly predict differences in expectations, including the substantial disagreement between young and old individuals in periods of highly volatile inflation, such as the 1970s. It also explains household borrowing and lending behavior, including the choice of mortgages.

scholarly journals Διαδικτυακό προσαρμοστικό περιβάλλον κατανόησης κειμένου για εκπαίδευση από απόσταση

2011 ◽  
Author(s):  
Αλεξάνδρα-Άννα Γασπαρινάτου
Keyword(s):  
Blended Learning ◽  
Adaptive Learning ◽  
Learning Models

Η παρούσα διατριβή συμβάλλει στη μάθηση από Κείμενα Πληροφορικής. Το ερώτημα στο οποίο προσπαθήσαμε να απαντήσουμε ήταν αν το έργο των εκπαιδευόμενων πρέπει να διευκολύνεται κατά την ανάγνωση κειμένου καθιστώντας ένα κείμενο πιο κατανοητό ή πρέπει να αυξάνεται η ενεργή εμπλοκή των εκπαιδευόμενων τοποθετώντας εμπόδια στη διαδρομή τους; Στη δεύτερη περίπτωση, τι είδους εμπόδια θα έχουν ωφέλιμη επίδραση στη μάθηση και υπό ποιες προϋποθέσεις; Για να απαντήσουμε στο παραπάνω ερώτημα, μελετήσαμε την επίδραση του γνωστικού υποβάθρου του εκπαιδευόμενου και της συνοχής του κειμένου στη μάθηση από κείμενα Πληροφορικής. Τα αποτελέσματα των εμπειρικών μελετών που διενεργήσαμε έδειξαν ότι οι εκπαιδευόμενοι με χαμηλό γνωστικό υπόβαθρο επωφελούνται από κείμενο υψηλής συνοχής ενώ οι εκπαιδευόμενοι με υψηλό γνωστικό υπόβαθρο επωφελούνται από κείμενο χαμηλής συνοχής. Άρα, το έργο των εκπαιδευόμενων με χαμηλό γνωστικό υπόβαθρο πρέπει να διευκολύνεται παρέχοντάς τους κείμενο υψηλής συνοχής, ενώ πρέπει να αυξάνεται η ενεργή εμπλοκή των εκπαιδευόμενων με υψηλό γνωστικό υπόβαθρο παρέχοντάς τους κείμενο χαμηλής συνοχής.Στη συνέχεια σχεδιάστηκε και υλοποιήθηκε το Προσαρμοστικό Εκπαιδευτικό Περιβάλλον Κατανόησης Κειμένου ALMA. Το ALMA (Adaptive Learning Models from texts and Activities) υποστηρίζει τη μαθησιακή διαδικασία και τη διαδικασία της αξιολόγησης μέσα από: (1) την παροχή κειμένων διαφορετικής τοπικής και συνολικής συνοχής για εκπαιδευόμενους με χαμηλό, μέσο και υψηλό γνωστικό υπόβαθρο, (2) την εκπόνηση δραστηριοτήτων που αντιστοιχούν σε διαφορετικά επίπεδα κατανόησης και ενεργοποιούν τον εκπαιδευόμενο να εφαρμόσει στην πράξη διαφορετικές στρατηγικές ανάγνωσης ενώ η προτεινόμενη σειρά εκπόνησης των δραστηριοτήτων προσαρμόζεται στο μαθησιακό στιλ του εκπαιδευόμενου, (3) την παροχή ενός πλαισίου στήριξης κατά τη διάρκεια εκπόνησης της δραστηριότητας με στόχο να πληροφορήσει, καθοδηγήσει και υποστηρίξει τους μαθητές, ώστε να ανακαλύψουν τα λάθη τους και να προβούν σε τυχόν διορθώσεις, (4) την παροχή εξατομικευμένης υποστήριξης και καθοδήγησης σύμφωνα με τα ιδιαίτερα χαρακτηριστικά των μαθητών. Το ALMA μπορεί να αξιοποιηθεί στην εκπαίδευση από απόσταση ή σε υβριδική διδασκαλία (blended learning), όπου οι εκπαιδευόμενοι υποστηρίζονται από διδασκαλία πρόσωπο με πρόσωπο και διδασκαλία υποστηριζόμενη από υπολογιστή. Οι προσαρμοστικές τεχνικές που προσφέρονται διαμέσου του ΠΕΣΥ ALMA είναι: (α) η προσαρμοστική παρουσίαση και (β) η προσαρμοστική πλοήγηση.Στο περιβάλλον ALMA αναπτύχθηκε ψηφιακό εκπαιδευτικό υλικό το οποίο ακολουθεί τις προδιαγραφές του μοντέλου κατανόησης κειμένου του Kintsch, (1998). Περιλαμβάνει κείμενα με διαφορετική τοπική και συνολική συνοχή. Επιπλέον, περιλαμβάνει δραστηριότητες οι οποίες αντιστοιχούν σε διάφορα επίπεδα κατανόησης και δραστηριότητες οι οποίες είναι κατάλληλες για όλα τα μαθησιακά στιλ και μπορεί να αξιοποιηθεί στην εκπαίδευση από απόσταση ή σε υβριδική διδασκαλία (blended learning). Η αξιολόγηση έδειξε ότι το περιβάλλον ALMA υποστήριξε σε ικανοποιητικό βαθμό τη μάθηση αρχαρίων φοιτητών Πληροφορικής και οι λειτουργίες του είναι εύχρηστες και αποτελεσματικές.

Educational Technology Standards

2011 ◽  
pp. 247-256
Author(s):  
Michael O’Dea
Keyword(s):  
Learning Environments ◽  
Adaptive Learning ◽  
Educational Program ◽  
Approaches To Learning ◽  
Technology Standards ◽  
Learning Models ◽  
Student Records ◽  
Teaching Institution ◽  
E Learning ◽  
Pedagogical Approaches

The “holy grail” of e-learning is to enable individualized, flexible, adaptive learning environments that support different learning models or pedagogical approaches to learning to allow any Internet-connected user to undertake an educational program. It is also very highly desirable, from a more practical viewpoint, if this environment can also integrate into the wider MIS/student records system of the teaching institution.

scholarly journals Optimal structure of metaplasticity for adaptive learning

2017 ◽  
Author(s):  
Peyman Khorsand ◽  
Alireza Soltani
Keyword(s):  
Adaptive Learning ◽  
Synaptic Efficacy ◽  
Learning Models ◽  
Strong Signal ◽  
Precise Estimation ◽  
Rapid Changes ◽  
Synaptic Changes ◽  
Reinforcement Learning Models ◽  
Reward Information ◽  
High Degree

AbstractLearning from reward feedback in a changing environment requires a high degree of adaptability, yet the precise estimation of reward information demands slow updates. We show that this tradeoff between adaptability and precision, which is present in standard reinforcement-learning models, can be substantially overcome via reward-dependent metaplasticity (reward-dependent synaptic changes that do not always alter synaptic efficacy). Metaplastic synapses achieve both adaptability and precision by forming two separate sets of meta-states: reservoirs and buffers. Synapses in reservoir meta-states do not change their efficacy upon reward feedback, whereas those in buffer meta-states can change their efficacy. Rapid changes in efficacy are limited to synapses occupying buffers, creating a bottleneck that reduces noise without significantly decreasing adaptability. In contrast, more-populated reservoirs can generate a strong signal without manifesting any observable plasticity. We suggest that ubiquitous unreliability of synaptic changes evinces metaplasticity that can provide a robust mechanism for adaptive learning.

Tacit coordination in large groups: Tests of adaptive learning models

1995 ◽  
Author(s):  
Amnon Rapoport ◽  
Daryl Seale ◽  
Ido Erev ◽  
Jim Sundali
Keyword(s):  
Adaptive Learning ◽  
Learning Models ◽  
Tacit Coordination ◽  
Large Groups

Escape Dynamics in Learning Models

2018 ◽  
Vol 86 (2) ◽  
pp. 882-912 ◽  
Author(s):  
Noah Williams
Keyword(s):  
Large Deviations ◽  
Control Problem ◽  
Adaptive Learning ◽  
Learning Models ◽  
Escape Dynamics ◽  
Stochastic Environments ◽  
Large Fluctuations ◽  
Deterministic Control

Abstract This article illustrates and characterizes how adaptive learning can lead to recurrent large fluctuations. Learning models have typically focused on the convergence of beliefs towards an equilibrium. However in stochastic environments, there may be rare but recurrent episodes where shocks cause beliefs to escape from the equilibrium, generating large movements in observed outcomes. I characterize the escape dynamics by drawing on the theory of large deviations, developing new results which make this theory directly applicable in a class of learning models. The likelihood, frequency, and most likely direction of escapes are all characterized by a deterministic control problem. I illustrate my results with two simple examples.

Sign in / Sign up

Export Citation Format

Share Document