論文の概要: Student engagement in collaborative learning with AI agents in an LLM-empowered learning environment: A cluster analysis

• arxiv url: http://arxiv.org/abs/2503.01694v1
• Date: Mon, 03 Mar 2025 16:08:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:20:46.250124
• Title: Student engagement in collaborative learning with AI agents in an LLM-empowered learning environment: A cluster analysis
• Title（参考訳）: LLMを活用した学習環境におけるAIエージェントとの協調学習における学生の関与:クラスタ分析
• Authors: Zhanxin Hao, Jianxiao Jiang, Jifan Yu, Zhiyuan Liu, Yu Zhang,
• Abstract要約: この研究には、中国の大学から110人の学生が参加し、複数のLLMエージェントとLLMを利用した学習環境に関わった。 学生の非認知的特徴、コースエンゲージメント、AIインタラクションパターンに関するデータを収集し分析した。 この知見は,学習者が人間とAIの対話型学習にどのように関わり,適応型教育システムの設計に実践的な影響をもたらすかを明らかにする。
• 参考スコア（独自算出の注目度）: 28.54642275086147
• License:
• Abstract: Integrating LLM models into educational practice fosters personalized learning by accommodating the diverse behavioral patterns of different learner types. This study aims to explore these learner types within a novel interactive setting, providing a detailed analysis of their distinctive characteristics and interaction dynamics. The research involved 110 students from a university in China, who engaged with multiple LLM agents in an LLM-empowered learning environment, completing coursework across six modules. Data on the students' non-cognitive traits, course engagement, and AI interaction patterns were collected and analyzed. Using hierarchical cluster analysis, the students were classified into three distinct groups: active questioners, responsive navigators, and silent listeners. Epistemic network analysis was then applied to further delineate the interaction profiles and cognitive engagement of different types of learners. The findings underscore how different learner types engage with human-AI interactive learning and offer practical implications for the design of adaptive educational systems.
• Abstract（参考訳）: LLMモデルを教育実践に統合することは、異なる学習者の多様な行動パターンを収容することで、パーソナライズされた学習を促進する。 本研究の目的は,これらの学習者が持つ特徴と相互作用のダイナミクスを詳細に分析することである。 この研究には、中国の大学から110人の学生が参加し、6つのモジュールでコースワークを完了した。 学生の非認知的特徴、コースエンゲージメント、AIインタラクションパターンに関するデータを収集し分析した。 階層的クラスタ分析を用いて、学生はアクティブな質問者、レスポンシブナビゲーター、サイレントリスナーの3つのグループに分類された。 その後,異なるタイプの学習者のインタラクションプロファイルと認知的エンゲージメントをさらに明確にするために,疫学ネットワーク分析を適用した。 この知見は,学習者が人間とAIの対話型学習にどのように関わり,適応型教育システムの設計に実践的な影響をもたらすかを明らかにする。

関連論文リスト

• From Complexity to Parsimony: Integrating Latent Class Analysis to Uncover Multimodal Learning Patterns in Collaborative Learning [0.0]
  本研究では,Multimodal Learning Analytics(MMLA)に潜在クラス分析(LCA)を統合する新しい手法を提案する。 LCAは、協調コミュニケーション(Collaborative Communication)、身体的コラボレーション(Embodied Collaboration)、遠隔インタラクション(Distant Interaction)、孤独エンゲージメント(Solitary Engagement)の4つの異なるクラスを特定した。 疫学ネットワーク分析は、これらのマルチモーダル指標を元のモノモーダル指標と比較し、マルチモーダルアプローチがより相似であることを発見した。
  論文  参考訳（メタデータ） (2024-11-23T15:36:35Z)
• Visual-Geometric Collaborative Guidance for Affordance Learning [63.038406948791454]
  本稿では,視覚的・幾何学的手がかりを取り入れた視覚・幾何学的協調学習ネットワークを提案する。 本手法は,客観的指標と視覚的品質の代表的なモデルより優れている。
  論文  参考訳（メタデータ） (2024-10-15T07:35:51Z)
• PersLLM: A Personified Training Approach for Large Language Models [66.16513246245401]
  社会実践, 一貫性, 動的発達という, 心理学に根ざした個性の原則を統合したPersLLMを提案する。 モデルパラメータに直接パーソナリティ特性を組み込み、誘導に対するモデルの抵抗性を高め、一貫性を高め、パーソナリティの動的進化を支援する。
  論文  参考訳（メタデータ） (2024-07-17T08:13:22Z)
• RIGL: A Unified Reciprocal Approach for Tracing the Independent and Group Learning Processes [22.379764500005503]
  個人レベルとグループレベルの両方で知識状態をトレースする統合相互モデルであるRIGLを提案する。 本稿では,学生と集団の相互作用を同時にモデル化するための時間フレーム対応の相互埋め込みモジュールを提案する。 動的グラフモデリングと時間的自己注意機構を組み合わせた関係誘導型時間的注意ネットワークを設計する。
  論文  参考訳（メタデータ） (2024-06-18T10:16:18Z)
• A First Step in Using Machine Learning Methods to Enhance Interaction Analysis for Embodied Learning Environments [4.349901731099916]
  本研究は,機械学習とマルチモーダル学習分析を用いて,研究者のタスクを簡略化することを目的とする。 本研究は,学生の状態,行動,視線,感情,運動をタイムライン上で視覚的に表現できる可能性を決定するための最初のケーススタディである。 このタイムラインにより,マルチモーダル・インタラクション分析によって同定された臨界学習モーメントのアライメントを調べることができる。
  論文  参考訳（メタデータ） (2024-05-10T02:40:24Z)
• A Probabilistic Model Behind Self-Supervised Learning [53.64989127914936]
  自己教師付き学習(SSL)では、アノテートラベルなしで補助的なタスクを通じて表現が学習される。 自己教師型学習のための生成潜在変数モデルを提案する。 対照的な方法を含む識別的SSLのいくつかのファミリーは、表現に匹敵する分布を誘導することを示した。
  論文  参考訳（メタデータ） (2024-02-02T13:31:17Z)
• Harnessing Transparent Learning Analytics for Individualized Support through Auto-detection of Engagement in Face-to-Face Collaborative Learning [3.0184625301151833]
  本稿では,共同作業における学生の個人参加を自動的に検出する透過的アプローチを提案する。 提案手法は,学生の個人的関与を反映し,異なる協調学習課題を持つ生徒を識別する指標として利用することができる。
  論文  参考訳（メタデータ） (2024-01-03T12:20:28Z)
• Interactive Natural Language Processing [67.87925315773924]
  対話型自然言語処理(iNLP)は,NLP分野における新しいパラダイムとして登場した。 本稿では,iNLPの概念の統一的定義と枠組みを提案することから,iNLPに関する包括的調査を行う。
  論文  参考訳（メタデータ） (2023-05-22T17:18:29Z)
• An Artificial Intelligence driven Learning Analytics Method to Examine the Collaborative Problem solving Process from a Complex Adaptive Systems Perspective [0.7450115015150832]
  協調問題解決(CPS)は、学生グループが学習タスクを完了し、知識を構築し、問題を解決することを可能にする。 従来の研究は、CPSの複雑さ、多モード性、ダイナミクス、シナジーなどを調べることの重要性を論じてきた。 本研究は、オンラインインタラクション設定におけるCPSの性質を理解するために、マルチモーダルプロセスとパフォーマンスデータを収集した。
  論文  参考訳（メタデータ） (2022-10-28T11:13:05Z)
• Human-Robot Collaboration and Machine Learning: A Systematic Review of Recent Research [69.48907856390834]
  人間ロボットコラボレーション(Human-robot collaboration、HRC)とは、人間とロボットの相互作用を探索する手法である。 本稿では,HRCの文脈における機械学習技術の利用に関する詳細な文献レビューを提案する。
  論文  参考訳（メタデータ） (2021-10-14T15:14:33Z)
• Social Interactions Clustering MOOC Students: An Exploratory Study [57.822523354358665]
  コメントは、学生が学生とどのように交流したか、例えば学生のコメントが同僚から返信を受けたかに基づいて分類された。 統計的モデリングと機械学習はコメント分類の分析に用いられ、3つの強く安定したクラスタが生成される。
  論文  参考訳（メタデータ） (2020-08-10T09:32:38Z)

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。