이 페이지는 기계 번역된 영어 페이지입니다. 영어 원본 보기
연구자, 교육자 및 인스티튜트 회원이 교육, 학습 및 교과서 설계에 대한 계산적 및 이론적 모델을 탐구합니다.
학급을 여러_agent 생성 모델로서 재구성하여 학생과 교사가 예측 오류와 기대_free_에너지를 최소화하는 과정에서 공동으로 작업한다.
이 페이지에서
교육은 세계와 다른 의식에 대한 불확실성을 줄이기 위한 사회적으로 조직된 과정으로, 이것은 활동적 인ference와 자유 에너지 원칙이 archetypal한 대상입니다. 작은 하지만 성장하고 있는 연구 자료가 학생과 교사를_agent_로 설정하여 고대화된 생성 모델을 구축하고, 기대 에너지 아래 정책을 선택하며, 예측 오류를 통해 신념을 업데이트하는 방법을 형식화했지만, 이 문헌은 개념적으로 집중되어 있으며, 실제 교실에서 활동적 인ference가 직접적으로 검증되는 연구는 여전히 흔하지 않습니다.
의식적 인ference는 감각, 행동 및 학습을 생성 모델에 대한 자유 에너지 함수를 최소화하여 생성 모델이 예상치를 벗어난 놀람을 제한하는 것으로 보았으며, 이 교육적 상호 작용은 대규모로 이러한 과정을 구현합니다. 학생들은 개념과 자기 효능감에 대한 피드백으로부터 계속 신념을 업데이트하며, 선생님들은 퍼블리시브 개발의 영역을 포함하는 전략적인 활동 및 평가를 설계합니다. 고급 생성 모델은 빠른 상세 사항을 낮게, 느린 컨텍스트적 정규화를 높이게 만드는 자유 에너지 원칙의 요구 사항에 따라 하위 구조로 나뉩니다. 학생들은 선생님들의 잠재적인 학습 상태와 감정을 소음으로부터 추론하며, 선생님들은 학생들이 알고 있는 것을 포함하는 제한된 피드백으로 학습 기준과 작업 요구 사항을 추론합니다. 이 상호 작용은 자연스러운 POMDP 구조를 갖추며, 모든 정책 선택에 대한 epistemic 및 pragmatic 가치가 걸립니다.
관련 문헌은 세 가지 계층으로 나 separates: 프리스턴의 자유 에너지 원칙, 예측 코딩, 베이esian 뇌 주장을 포함하는 성숙한 기초적 근본(bayesian brain claims)을 타당성 검토에 따르면 실재ist 읽기를 지원하지 않는다는 제안에 대한 비판적인 세그먼트; 심리학과 임상 신경과학에서의 행동 및 뉴런 데이터와 일치하는 동작적 Bayesian 인식 연구(empirical active inference studies)이 존재하며, 이들은 주로 감각 및 정신질환을 대상화하지만 학습에 초점을 맞추지 않습니다; 그리고 교육에 직접적으로 관련된 논문 세트의 작은 수. 두 편의 피어 리뷰 자료가 이 세그먼트를 압축합니다 — 레알리티 스쿨의 "동작적 인식이 학교로 간다: 동작 학습의 중요성에 대한 교실에서"와 타일러 & 프레스킨의 "동작적 인식과 교사 개발" 그리고 신경생물학 연구가 습득 과정에서 순서에 의존하는 예측 코딩이 지도 및 이전 지식을 통합하는 방법을 보여주는 뉴로피시컬 연구 — 이 직접적인 교육 문헌은 여전히 발달 단계이며, 개념 맵핑보다는 대규모empirical 검증에 초점을 맞추고 있습니다.
Active inference goes to school" 발전시키는 교실 상호작용의 생성적 모델에서 학생과 선생님은 내용에 대한 믿음과 서로에 대한 믿음을 가지고 있으며, 질문이나 그룹 형성 같은 행동을 정책 선택으로 보고 epistemic과 pragmatic 가치 사이에서 거래를 한다; 이는 활동학습 교육법이 피드백 학습보다 우수하다는 주장을 함. "Active Inference와 선생님 발전"은 동일한 기구를 선생님에게 적용하여, 전문성 발전을 생성적 모델의 정교화로 모델링하며, "무엇이 효과적인지"에 대해 너무 정확하게 믿는 이전 사고가 적응형 행동을 방해하고, 조절된 불확실성을 통해 실험을 지원한다. 이론적인 모델과 실험적 평가 없이 교사들 주변에서 이 아이디어를 이해하는 프로젝트인 "예측 학교"와 Devon Research School의 예측 처리 소개는 선생님들이 예상 사고를 일으키게 하고 오류를 재정립하는 것을 정보적인 것으로 해석한다. 보고서는 완전히 구현된, 활동 인퍼런스 기반의 텔러링 플랫폼, 평가 도구 또는 교실 시스템이 아직 존재하지 않는다는 점을 명확하게 밝힘. 가장 가까운 계산적 유사체는 다른 분야에 사용되는 자유 에너지 기반의 강화 학습 목표와 블리츠 템플릿에서 활동 인퍼런스를 모델링한 시뮬레이션과 목적 함수 작업이지만, 교실을 위한 것은 아님.
보고서는 활동적 인ference를 검증하는 것으로 학습의 중심적인 열린 문제로 설명하고자 합니다. 이것은 근본적으로 기계 Bayes 뇌 비판의 경고와 일치하며, 아름다운 형식화은 아직 사람들이 실제로 예상되는 자유 에너지 최소화자를 기대하지 않는 행동을 한 것이라는 증거가 아니라는 것입니다. 현재 실험적 활동적 인ference 작업에서 사용되고 있는 작은, 명확히 정의된 실험 테스크를 대학 교실의 다중-agents, 장기간 동안 복잡한 환경으로 확장하는 것은 구체적인 방법론적 도전입니다. 또한, 예상 자유 에너지와 관련된 윤리적 및 실용적인 우려가 높은 스테이킹 의사결정을 위한 생성 모델에 latent 특성을 인코딩하는 것과, 이 모델들과의 통합을 설명하는 동기 부여, 감정, 사회적 정체성에 대한 개념적 틈새입니다. 우선적으로 확인해야 하는 증거는 예상 자유 에너지 예측을 강화 학습 대안으로 검증하기 위한 제어된 행동 실험, 신경생물학적 확장의 순서-기반 전제 코드 작업을 교실 테스크로 확장하는 것, 장기적인 교실 관찰, 낮은 스테이킹 피트니스 프로비저리 구현 등입니다.
Karl J. Friston (2010). 자유 에너지 원칙: 하나의 뇌 이론? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. Thomas Parr, Giovanni Pezzulo, Karl J. Friston (2022). 활동적 인퍼전: 자유 에너지 원칙이 마음, 뇌 및 행동에 대한 행동 이론. MIT Press. Giovanni Pezzulo, Francesco Rigoli, Karl J. Friston (2017). 활동적 인퍼전, 자기 조절과 적응형 행동 제어. Progress in Neurobiology. DOI: 10.1016/j.pneurobio.2017.08.001. Lancelot Da Costa, Thomas Parr, Noor Sajid, Sebastijan Veselic, Victorita Neacsu, Karl J. Friston (2020). 활동적 인퍼전에서 이산 상태공간: 통합. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2020.102447.
주요 표면
학습은 예측 오류를 줄이기 위해 정보의 활발한 탐색을_frame_as_하는 것이 아니라 내용의 피드백으로만 _reception_되는 것을_passive_로 _frame_as_하는 것으로 이해됩니다.
학생 이해에 대한 학습자의 이해를 최소화하는 기대 자유能을 모델링한 교육적 선택은 정책 선택입니다.
두 편만이 활동적 인퍼 encing을 교육에서 직접 형식화한 피어 리뷰드 논문이 있으며, 아직 활동적 인퍼 encing 기반의 배치 시스템은 구현되지 않았습니다.
관련 자료
Audience: Researcher
Research and publication-oriented repository for the Active Inference Journal.
Audience: Researcher
Synthesis paper on active inference over discrete state-spaces (Da Costa et al., 2020); a standard reference for the discrete formulation.