Estás leyendo la publicación: Los investigadores construyeron una red neuronal que no solo resuelve, sino que explica y genera problemas matemáticos universitarios mediante la síntesis de programas y el aprendizaje de pocos disparos en humanos …
Este artículo está escrito como un resumen por el personal de Marktechpost basado en el documento ‘Una red neuronal resuelve, explica y genera problemas matemáticos universitarios mediante la síntesis de programas y el aprendizaje de pocas oportunidades a nivel humano‘. Todo el crédito de esta investigación es para los investigadores de este proyecto. Revisar la papel y github.
Por favor, no olvides unirte a nuestro Subreddit de aprendizaje automático
El aprendizaje automático se ha expandido a muchos campos, incluida la educación, que se está discutiendo hoy. Los investigadores y educadores del MIT, la Universidad de Columbia, la Universidad de Harvard y la Universidad de Waterloo crearon una red neuronal que resuelve, explica y genera problemas matemáticos universitarios.
Crearon una red neuronal previamente entrenada en el texto y ajustaron el código para responder problemas del curso de matemáticas, explicar soluciones y producir nuevas preguntas a nivel humano. Sintetiza automáticamente los programas y los ejecuta para responder a los problemas del curso con una precisión automatizada del 81 por ciento utilizando el aprendizaje de pocos disparos y el transformador Codex de OpenAI.
También seleccionaron un nuevo conjunto de datos de preguntas de los cursos de matemáticas más famosos del MIT. La red neuronal responde preguntas del conjunto de datos MATH (incluidas preguntas sobre preálgebra, álgebra, conteo y probabilidad, álgebra intermedia, teoría de números y precálculo), que es el estándar actual de problemas de matemáticas avanzadas destinado a examinar el pensamiento matemático.
Eligieron preguntas al azar y se crearon soluciones utilizando una variedad de modalidades, incluidos números, ecuaciones y gráficos. Solo el 18,8 % de estos problemas universitarios se manejaron automáticamente con el modelo de lenguaje GPT-3 más nuevo, preentrenado en texto mediante el aprendizaje de cero intentos, y el 30,8 % con conocimientos de pocos intentos más la cadena de pensamiento más actual. Por otro lado, la síntesis de programas que utiliza el aprendizaje de pocos disparos utilizando Codex ajustado en el código produce programas que resuelven automáticamente el 81 por ciento de estas consultas.
Su novedoso método propuesto aumenta la precisión de respuesta automatizada de última generación en los temas de referencia del 8,8 al 81,1 por ciento. Este tipo de estudio es el primero en resolver automáticamente problemas de cursos de matemáticas de nivel universitario a nivel humano y explicar y desarrollar preguntas de cursos de matemáticas de nivel universitario a escala, lo cual es un momento decisivo en la educación superior. Definitivamente ayudará a ahorrar mucho tiempo y esfuerzo.
Fuente: https://arxiv.org/pdf/2112.15594.pdfSe eligió una selección aleatoria de preguntas de cada curso o tema que no requieren elementos visuales o evidencia. Solo el 18 % (para cursos) y el 25,5 % (para asignaturas comparativas de MATEMÁTICAS) de estos problemas se resuelven automáticamente mediante un modelo de lenguaje previamente entrenado en texto (GPT-3 text-DaVinci-002). En comparación, sintetizan programas que resuelven automáticamente el 71 por ciento (para cursos) y el 72,2 por ciento (para materias de referencia de MATEMÁTICAS) de los problemas utilizando el aprendizaje de tiro cero utilizando una red previamente entrenada en el texto y finamente ajustada en el código (código OpenAI Codex -DaVinci-002). Resolvieron el 81 por ciento (para cursos) y el 81,1 por ciento (para materias de referencia de MATEMÁTICAS) de los problemas automáticamente usando la misma red pero con aprendizaje de pocos disparos. Para el aprendizaje de pocos disparos, emplean las preguntas de disparo cero incrustadas más cercanas y su código sintetizado.
Muestran cómo una red neuronal resuelve, explica y produce problemas de nivel universitario de los cursos de matemáticas del MIT más destacados a nivel humano. Sus métodos combinan tres innovaciones:
- Uso de redes neuronales recientes preentrenadas en el texto y ajustadas en el código en lugar de preentrenadas en el texto
- Programas de síntesis de aprendizaje de pocas tomas que resuelven automáticamente los problemas del curso
- Una tubería para resolver preguntas, explicar soluciones y generar nuevas preguntas que los estudiantes no pueden distinguir de las preguntas del curso.
Su enfoque es el primero en resolver cursos de matemáticas de nivel universitario y mejora el estado del arte en orden de magnitud, aumentando la precisión automatizada en problemas seleccionados al azar en un punto de referencia. Las responsabilidades ampliadas de AI en la revisión automática de cursos y el desarrollo de materiales tienen implicaciones para la educación superior. El artículo ofrece varios ejemplos que muestran cómo se puede usar Codex para convertir ejemplos de entrada en trabajos de programación que crean salidas de Codex correctas.
Aunque la investigación no entra en los detalles técnicos de la DNN propuesta, sí presenta una amplia evidencia empírica de que los transformadores entrenados previamente en el texto y ajustados en el código pueden alcanzar un rendimiento impecable en las preguntas de los cursos de matemáticas de nivel universitario. Los investigadores también demuestran cómo se pueden utilizar los enfoques de generación rápida para construir programas de resolución de preguntas para las disciplinas aritméticas, incluidas las soluciones con gráficos. El código utilizado para construir este modelo está disponible en GitHub.
En general, este estudio demuestra que al utilizar la síntesis de programas, los transformadores entrenados previamente en el texto y ajustados en el código pueden responder, calificar y producir automáticamente problemas de cursos de matemáticas de nivel universitario en tiempo real. El equipo cree que esto brinda la oportunidad de abordar las dificultades pedagógicas fundamentales y potencialmente traer beneficios a la educación superior, como la evaluación automatizada y el desarrollo de contenido.
Echa un vistazo a https://aitoolsclub.com para encontrar 100 de Cool AI Tools
