Aprendendo currículos para humanos com busca em árvore guiada por rede neural

Abstract

Este trabalho avalia Levin Tree Search (LTS) como um modelo para aprender currículos para pessoas. Nós hipotetizamos que a ordem em que LTS aprende a resolver um conjunto de problemas pode ser usada para formar um currículo que auxilia o aprendizado de humanos. Nós avaliamos LTS em dois esquemas de aprendizagem de currículos. Primeiro, ordenamos um pequeno conjunto de instâncias de problemas de acordo com a ordem em que LTS as resolve enquanto aprende uma política neural. Segundo, usamos LTS para ordenar um grande conjunto de instâncias de problemas e selecionamos um subconjunto deste para formar um currículo. Nós avaliamos o currículo que LTS gera através de um estudo com usuários em que os participantes aprendem a resolver uma classe de puzzles do jogo The Witness. Resultados computacionais mostram que a ordem que LTS encontra para o conjunto de instancias do jogo é a mesma ordem escolhida pelo game designer do jogo. O resultado do estudo com usuários sugere que o currículo que nosso sistema gera se compara favoravelmente com currículos de base em termos de retenção de usuário e número de tentativas para que se consiga resolver uma instância. Nossos experimentos computacionais e estudos com usuários sugerem que LTS utilizando uma política neural pode ser usada como um efetivo modelo de geração de currículos de ensino para auxiliar o aprendizado de pessoas em problemas de decisão sequencial. Palavras-chave: Educação. Busca em Árvore. Jogos.This work evaluates Levin tree search (LTS) as a model for learning curricula for humans. We hypothesize the order in which LTS learns how to solve a set of problem instances can be used to form a curriculum for helping human learners. We evaluate LTS in two curriculum learning settings. First, we order a small set of problem instances according to the order in which LTS solves them while learning a neural policy. Second, we use LTS to order a large set of problem instances and we select a subset of instances to form a curriculum. We evaluate the curricula LTS generates with a user study where participants learn how to solve a class of puzzles from the commercial game The Witness. Computational results show the ordering LTS Ąnds for the small set of instances matches the ordering chosen by a professional game designer. The user study results suggest the curricula our system generates compare favorably with baseline curricula in terms of user retention and number of attempts required to solve test instances. Our computational experiments and the user study suggest that LTS employing a neural policy can be used as an effective curriculum learning model to aid human learning in sequential decision- making settings. Keywords: Education. Tree Search. Games.