Iterative Teacher-Aware Learning
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Beijing Institute for General Artificial Intelligence (BIGAI)(北京通用人工智能研究院)
在人类教育学中,教师和学生可以自适应地互动,以最大限度地提高沟通效率。教师针对不同的学生调整自己的教学方法,学生在熟悉教师的教学机制后,可以推断出教师的意图,从而更快地学习。最近,将这种合作教学法集成到离散空间中的机器概念学习中的好处已经被多个作品所证明。然而,合作教学如何促进机器参数学习还没有得到深入的研究。在本文中,我们提出了一种基于梯度优化的教师感知学习者谁可以将教师的合作意图的似然函数和学习证明更快的幼稚学习算法在以前的机器教学工作相比。我们从理论上证明了迭代教师感知学习(ITAL)过程会导致局部和全局的改进。然后,我们使用合成和真实数据对各种任务进行了广泛的实验,包括回归,分类和逆强化学习。我们还展示了当智能体向人类教师学习时建模教师意识的优势。
2021-10-26 cs.AI cs.HC cs.LG
How Do Human Users Teach a Continual Learning Robot in Repeated Interactions?
University of Waterloo(滑铁卢大学);University of Hertfordshire(赫特福德大学)
本文采用以人为中心的方法,通过40名参与者和200次会话研究人类教导持续学习机器人的风格差异,发现个体教学风格存在显著差异需个性化适应,且现有受约束实验设置不足以评估真实交互。
2023-06-30 cs.HC cs.LG cs.RO
Towards Teachable Conversational Agents
University of Waterloo(滑铁卢大学)
构建交互式机器学习系统的传统过程可以被视为教师-学习者交互场景,其中机器学习者由一个或多个人类教师训练。在这项工作中,我们探讨了使用对话界面来研究人类教师和交互式机器学习者之间的交互的想法。具体来说,我们研究了可教学人工智能智能体是否可以通过对话交互从人类教师那里可靠地学习,以及这种学习与传统的监督学习算法相比如何。结果验证了可教会话代理的概念,并强调了相关的因素,旨在从会话交互学习的机器学习系统的发展。
2021-02-20 cs.AI cs.HC
Explainable Active Learning (XAL): An Empirical Study of How Local Explanations Impact Annotator Experience
Stony Brook University(石溪大学);IBM Research AI(IBM研究院人工智能部门)
机器学习技术的广泛采用为能够训练ML模型的人创造了快速增长的需求。一些人主张使用“机器教师”一词来指代将领域知识注入ML模型的人。一个有前途的学习范例是主动学习(AL),通过它,模型智能地选择实例来向机器教师查询标签。然而,在当前的人工智能设置中,人类-人工智能界面仍然是最小的和不透明的。我们开始考虑将人工智能解释作为教学机器的人机界面的核心元素。当一个人类学生学习时,提出自己的推理并征求老师的反馈是一种常见的模式。当ML模型学习并仍然犯错误时,人类教师应该能够理解错误背后的推理。当模型成熟时,机器教师应该能够认识到它的进步,以便信任并对他们的教学结果充满信心。为了实现这一愿景,我们提出了一种新的可解释主动学习(XAL)范式,通过将最近兴起的可解释AI(XAI)领域的技术引入AL设置。我们进行了一项实证研究,比较模型的学习成果,反馈内容和经验与XAL,传统的AL和协同学习(提供模型的预测,没有解释)。我们的研究显示了人工智能解释作为机器教学接口的好处-支持信任校准并实现丰富形式的教学反馈,以及潜在的缺点-与模型判断和认知工作量的锚定效应。我们的研究还揭示了调解机器教师对AI解释的接受的重要个人因素,包括任务知识,AI经验和认知需求。通过反思的结果,我们建议未来的方向和设计的XAL的影响。
2020-09-30 cs.AI cs.HC cs.LG
Machine Teaching by Domain Experts: Towards More Humane,Inclusive, and Intelligent Machine Learning Systems
本文认为,一个可能的方法来摆脱当前的机器学习(ML)系统的局限性是允许他们的开发直接由领域专家没有ML专家的调解。这可以通过使用概念,定义和类似的高级知识结构使ML系统交互式教学来实现。针对机器教学技术的最新进展,我们列出了这种以专家为中心的ML系统所面临的关键技术挑战,并建议它们在许多领域比传统ML系统更人性化,可能更智能。然后,我们认为,ML系统也可以像开源软件一样,从专家社区构建的角度受益匪浅,创建更具包容性的系统,从而实现对同一知识库的不同观点。本文还讨论了社区方法相对于当前构建ML系统的方法的优势,以及这种方法提出的具体挑战。
2019-08-19 cs.CY cs.HC
Teaching Machine Learning Fundamentals with LEGO Robotics
本文介绍了一个基于网页的机器学习平台和为期两天的课程,通过无编程的机器人活动向12至17岁学生教授机器学习概念,展示了平台在提升学生理解力和学习动机方面的有效性。
2026-04-05 cs.AI cs.CY cs.HC
Supporting Co-Adaptive Machine Teaching through Human Concept Learning and Cognitive Theories
本文提出交互式机器学习工具MOCHA,结合变异理论与结构对齐理论,通过反事实数据生成和分组呈现帮助用户与模型实现双向对齐,并在18人实验中验证其有效性与可用性。
2025-04-10 cs.HC
Capturing and Sharing Know-How through Visual Process Representations: A Human-Centred Approach to Teacher Workflows
本文提出可视化流程表示(VPR)方法,结合序列模式挖掘与叙事技巧,将教师工作流日志转为直观可视化,实验表明能提升任务表现与可用性,支持新手教师。
2025-08-06 cs.HC
EduPanel: A Three-Agent LLM Judge for Teaching Videos -- Reliability, Complementarity, and Human Trust Calibration
National Taiwan University(国立台湾大学);NTU Artificial Intelligence Center of Research Excellence(NTU人工智能卓越研究中心)
针对教学视频教学质量评估需求,提出基于评分标准、以学习者为条件的EduPanel大语言模型评判器,通过专门智能体分解评估,经多项分析实现高可靠性,能辅助教育评估,提高评分准确性且让专家可检测不可靠输出。
2026-08-03 cs.AI cs.HC
Stories That Teach: Eastern Wisdom for Human-AI Creative Partnerships
The University of Sydney(悉尼大学);Guangzhou Academy of Fine Arts(广州美术学院);Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));HongKong Polytechnic University(香港理工大学)
本研究通过东方美学理念,提出一种人机协作的视觉叙事教学方法,帮助教育者在AI辅助下保持学生的创造性自主权。
2025-12-23 cs.HC
What Human-Horse Interactions may Teach us About Effective Human-AI Interactions
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
本文通过人类与马的互动研究,提出人机合作应建立在共生基础上,强调信任、沟通与持续学习的重要性,以设计更可信和适应性强的人工智能系统。
2025-12-19 cs.AI cs.HC
Predicting Human Behavior in Autonomous Systems: A Collaborative Machine Teaching Approach for Reducing Transfer of Control Events
DFKI, Saarland Informatics Campus(德累斯顿人工智能研究所、萨尔兰州信息学院)
针对自主系统中传统控制权转移(ToC)常被不必要触发的问题,提出基于人类交互数据训练LSTM模型预测用户行为的方法,可减少非必要ToC事件,提升系统鲁棒性,为人机协作与工业自动化优化提供新思路。
2025-05-15 cs.AI cs.HC cs.RO
Teaching Machines to Describe Images via Natural Language Feedback
University of Toronto(多伦多大学);Vector Institute(Vector研究所)
机器人最终将成为每个家庭的一部分。因此,使算法能够向非专家用户学习并接受其指导至关重要。在本文中,我们把一个人的循环,并使一个人的老师给反馈的学习代理的形式自然语言。我们认为,描述性句子可以提供比数字奖励更强的学习信号,因为它可以很容易地指出错误在哪里以及如何纠正它们。我们专注于图像描述的输出质量可以很容易地由非专家判断的问题。我们提出了一个分层的短语为基础的字幕模型训练与策略梯度,并设计了一个反馈网络,提供奖励的学习者提供的反馈条件。我们表明,通过利用描述性反馈,我们的模型学习比独立编写的人类字幕时表现得更好。
2017-06-05 cs.AI cs.CL cs.CV