Planejamento estratégico e problema de mochila multidimensional


11

Estou tentando encontrar uma abordagem de planejamento para resolver um problema que tenta modelar o aprendizado de novos materiais. Assumimos que só temos um recurso como o Wikipedia, que contém uma lista de artigos representados como um vetor de conhecimento que ele contém e um esforço para ler esse artigo.

Vetor e esforço do conhecimento

Antes de começarmos, definimos um tamanho para o vetor, dependendo do número de diferentes tipos de conhecimento. Por exemplo, podemos definir os itens no vetor a serem (algebra, geometry, dark ages)e, em seguida, 'medir' todos os artigos deste ponto de vista. Portanto, provavelmente será um artigo de matemática, uma (5,7,0)vez que falará muito sobre álgebra e geometria, mas não sobre a idade das trevas. Também terá um esforço para lê-lo, que é simplesmente um número inteiro.

Problema

Considerando todos os artigos (representados como vetores de conhecimento com um esforço), queremos encontrar o conjunto ideal de artigos que nos ajudem a alcançar uma meta de conhecimento (também representada como um vetor).

Portanto, um objetivo de conhecimento pode ser (4,4,0), e basta ler um artigo (2,1,0)e (2,3,0), uma vez que, quando adicionado, ele se soma ao objetivo de conhecimento. Queremos fazer isso com o mínimo esforço .

Questão

Tentei algumas heurísticas para encontrar uma aproximação, mas queria saber se existe algum método de planejamento estratégico de última geração que possa ser usado?


Pode ajudar a dividir o vetor de conhecimento pelo esforço - dessa forma, você sabe quanto conhecimento por esforço um artigo fornece.
user6916458

Pergunta muito bem estruturada e interessante. Bem-vindo à AI!
DukeZhou

A adição dos vetores para que eles somam ao vetor de conhecimento é o único critério? Nesse caso, seu problema parece ser um caso multidimensional do problema de moedas en.wikipedia.org/wiki/Coin_problem msp.org/involve/2011/4-2/involve-v4-n2-p07-p. pdf
Daniel

Você poderia esclarecer que não deseja uma crítica ao modelo de "aprendizado de novo material" (que a IMO parece uma maneira incomum de modelar a aquisição de conhecimento, enquanto o objetivo de obter uma pontuação arbitrária no modelo é mais bem definido)? Eu não acho que você faça o que está escrito, mas agora isso foi levado ao topo, é possível que alguém responda a isso, e não ao problema da mochila apresentado
Neil Slater,

Respostas:


1

Aqui está um elenco especulativo do problema para um problema de vendedor ambulante , o que levaria a algoritmos de caminho mais curto.

Observe que essa ideia sugere diferentes restrições a serem exploradas.

  • Dados os vetores e esforços de conhecimento, construa um gráfico direcionado acíclico (acíclico, como não devemos desaprender). Um vértice é um artigo, representado por seu vetor de conhecimento. Uma aresta vincula dois artigos, ponderados pelo esforço de "mover" para o artigo / vértice de destino (ou seja, adquirir o conhecimento desse artigo).
  • Atribua um vetor zero a um novo participante. Esse é o ponto de partida no gráfico é o vértice V0 = (0, ..., 0).
  • Defina um objetivo de aprendizagem como um vetor V.
  • Use um algoritmo de caminho mais curto para encontrar um plano (V0, V).

Este procedimento é insuficiente, uma vez que existem muitas maneiras de construir o gráfico (em outras palavras, o acima é completamente inútil como é ). Restrições extras são necessárias para torná-lo prático. Por exemplo, podemos ordenar os vértices ordenando-os ao longo de cada dimensão. Essa configuração levaria os alunos a começar com artigos "fáceis" (V [i] é baixo) e avançar passo a passo em direção a tópicos mais complexos ((V [i] fica mais alto)).

A construção do gráfico depende dos dados disponíveis. Por exemplo, os vetores de conhecimento são "absolutos" ou podem ser relativos? O relativo pode ajudar na criação de um caminho, pois passar de V para W requer um esforço que depende das condições iniciais do aluno (V0 pode não ser 0 em todos os lugares, afinal).


É uma questão de IA? Definitivamente.

Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.