Fugu-MT 論文翻訳(概要): EduAgent: Generative Student Agents in Learning

論文の概要: EduAgent: Generative Student Agents in Learning

arxiv url: http://arxiv.org/abs/2404.07963v1
Date: Sat, 23 Mar 2024 18:19:17 GMT
ステータス: 処理完了
システム内更新日: 2024-04-14 13:03:36.083373
Title: EduAgent: Generative Student Agents in Learning
Title（参考訳）: EduAgent: 学習における創発的学生エージェント
Authors: Songlin Xu, Xinyu Zhang, Lianhui Qin,
Abstract要約: オンライン教育における学生シミュレーションは,様々な背景を持つ学生の動的学習行動に対処するために重要である。ディープラーニングに基づく既存のシミュレーションモデルでは、教育的文脈における事前知識が欠如しているため、大規模なトレーニングデータが必要である。本研究は,認知的事前知識を取り入れた新しい生成エージェントフレームワークであるEduAgentを提案する。
参考スコア（独自算出の注目度）: 15.215078619481732
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Student simulation in online education is important to address dynamic learning behaviors of students with diverse backgrounds. Existing simulation models based on deep learning usually need massive training data, lacking prior knowledge in educational contexts. Large language models (LLMs) may contain such prior knowledge since they are pre-trained from a large corpus. However, because student behaviors are dynamic and multifaceted with individual differences, directly prompting LLMs is not robust nor accurate enough to capture fine-grained interactions among diverse student personas, learning behaviors, and learning outcomes. This work tackles this problem by presenting a newly annotated fine-grained large-scale dataset and proposing EduAgent, a novel generative agent framework incorporating cognitive prior knowledge (i.e., theoretical findings revealed in cognitive science) to guide LLMs to first reason correlations among various behaviors and then make simulations. Our two experiments show that EduAgent could not only mimic and predict learning behaviors of real students but also generate realistic learning behaviors of virtual students without real data.
Abstract（参考訳）: オンライン教育における学生シミュレーションは,様々な背景を持つ学生の動的学習行動に対処するために重要である。ディープラーニングに基づく既存のシミュレーションモデルでは、教育的文脈における事前知識が欠如しているため、大規模なトレーニングデータが必要である。大規模言語モデル(LLM)は、大きなコーパスから事前訓練されているため、そのような事前知識を含むことができる。しかし,学生の行動には個人差が伴って動的かつ多面的であるため,LLMを直接的に促すことは,多様な学生の人格,学習行動,学習成果間のきめ細かい相互作用を捉えるのに十分な堅牢性や正確性は得られない。この研究は、新たな注釈付き大規模データセットを提示し、認知的事前知識(認知科学で明らかになった理論的知見)を取り入れた新しい生成エージェントフレームワークであるEduAgentを提案し、LSMを様々な行動の相関を第一に推論し、シミュレーションを行うことによって、この問題に対処する。我々の2つの実験は、EduAgentが実際の学生の学習行動を模倣し予測するだけでなく、実際のデータのないバーチャル学生の現実的な学習行動を生成できることを示した。

関連論文リスト

Classroom Simulacra: Building Contextual Student Generative Agents in Online Education for Learning Behavioral Simulation [10.209326669619273]
N = 60の学生から6週間の教育ワークショップを開催し、カスタマイズされたオンライン教育システムを用いて詳細なデータを収集する。本稿では,転送可能な反復リフレクション(TIR)モジュールを提案する。
論文参考訳（メタデータ） (2025-02-04T23:42:52Z)
Dynamic Skill Adaptation for Large Language Models [78.31322532135272]
動的スキル適応(Dynamic Skill Adaptation, DSA)は, 言語モデル(LLM)に新しい複雑なスキルを適応させる適応的かつ動的フレームワークである。各スキルに対して,学習前スキルの詳細な記述を含む教科書的データと,学習前スキルの具体的活用を目標とした演習的データの両方を生成する。 LLAMA や Mistral のような大規模言語モデルを用いた実験は,提案手法が数学推論スキルや社会学習スキルに適応する上で有効であることを示す。
論文参考訳（メタデータ） (2024-12-26T22:04:23Z)
Students Rather Than Experts: A New AI For Education Pipeline To Model More Human-Like And Personalised Early Adolescences [11.576679362717478]
本研究は,仮想学生エージェントをモデル化するための文脈としての言語学習に焦点を当てた。教師と生徒の個人的交流のデータセットを様々な性格特性でキュレートすることにより,多次元的評価実験を行う。
論文参考訳（メタデータ） (2024-10-21T07:18:24Z)
LLM-based Cognitive Models of Students with Misconceptions [55.29525439159345]
本稿では,この2つの要件を満たすためにLLM(Large Language Models)を命令調整できるかどうかを検討する。真正な学生ソリューションパターンを反映したデータセットを生成する新しいPythonライブラリであるMalAlgoPyを紹介する。我々の洞察は、AIに基づく学生モデルの理解を高め、効果的な適応学習システムへの道を開く。
論文参考訳（メタデータ） (2024-10-16T06:51:09Z)
Can LLMs Reliably Simulate Human Learner Actions? A Simulation Authoring Framework for Open-Ended Learning Environments [1.4999444543328293]
学習者の行動のシミュレーションは、ストレステストのオープンエンドな対話型学習環境を支援し、デプロイ前に新しい適応のプロトタイプを作成する。我々は,学習者行動に関する検証可能な仮説を組み合わせることで,専門家がシミュレーションを開発し,評価できるシミュレーションオーサリングフレームワークHyp-Mixを提案する。
論文参考訳（メタデータ） (2024-10-03T00:25:40Z)
BASES: Large-scale Web Search User Simulation with Large Language Model based Agents [108.97507653131917]
BASESは、大きな言語モデル(LLM)を持つ新しいユーザーシミュレーションフレームワークである。シミュレーションフレームワークは,大規模に独自のユーザプロファイルを生成することができ,その結果,多様な検索行動が生まれる。 WARRIORSは、中国語と英語の両方のバージョンを含む、Web検索ユーザ行動を含む、新しい大規模なデータセットである。
論文参考訳（メタデータ） (2024-02-27T13:44:09Z)
Leveraging generative artificial intelligence to simulate student learning behavior [13.171768256928509]
本研究では,大規模言語モデル(LLM)による学生の学習行動のシミュレートの実現可能性について検討する。従来の機械学習に基づく予測とは異なり、私たちはLLMを活用して、特定の人口層を持つ仮想学生をインスタンス化する。我々の目的は、学習成果を予測するだけでなく、実際の学生の学習行動やパターンを再現することである。
論文参考訳（メタデータ） (2023-10-30T00:09:59Z)
User Behavior Simulation with Large Language Model based Agents [116.74368915420065]
LLMベースのエージェントフレームワークを提案し,実際のユーザ動作をシミュレートするサンドボックス環境を設計する。実験結果から,本手法のシミュレーション行動は実人の行動に非常に近いことが判明した。
論文参考訳（メタデータ） (2023-06-05T02:58:35Z)
Hindsight States: Blending Sim and Real Task Elements for Efficient Reinforcement Learning [61.3506230781327]
ロボット工学では、第一原理から導かれた力学モデルに基づくシミュレーションに基づいて、トレーニングデータを生成する方法がある。ここでは、力学の複雑さの不均衡を利用して、より標本効率のよい学習を行う。提案手法をいくつかの課題に対して検証し,既存の近視アルゴリズムと組み合わせた場合の学習改善を実証する。
論文参考訳（メタデータ） (2023-03-03T21:55:04Z)
Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
論文参考訳（メタデータ） (2022-11-24T13:18:27Z)
Generalisable Methods for Early Prediction in Interactive Simulations for Education [5.725477071353353]
シミュレーションにおける生徒のインタラクションデータを,期待性能に基づいて分類することは,適応的な指導を可能にする可能性がある。まず,学生のタスク内動作を通して概念的理解を計測する。そこで,我々は,クリックストリームデータから,シミュレーションの状態と学生の行動の両方をエンコードする,新しいタイプの特徴を提案する。
論文参考訳（メタデータ） (2022-07-04T14:46:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。