論文の概要: Student-AI Interaction in an LLM-Empowered Learning Environment: A Cluster Analysis of Engagement Profiles

• arxiv url: http://arxiv.org/abs/2503.01694v3
• Date: Fri, 10 Oct 2025 09:33:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 04:53:46.730758
• Title: Student-AI Interaction in an LLM-Empowered Learning Environment: A Cluster Analysis of Engagement Profiles
• Title（参考訳）: LLMを活用した学習環境における学生とAIのインタラクション--エンゲージメントプロファイルのクラスタ分析
• Authors: Zhanxin Hao, Jianxiao Jiang, Jifan Yu, Zhiyuan Liu, Yu Zhang,
• Abstract要約: 本研究では,多エージェント LLM を用いた学習環境における多様な学習者のプロファイルについて検討した。 学生は様々な行動、認知、感情的なエンゲージメントの傾向を示す。
• 参考スコア（独自算出の注目度）: 28.794946431719392
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Integrating Large Language Models (LLMs) into educational practice enables personalized learning by accommodating diverse learner behaviors. This study explored diverse learner profiles within a multi-agent, LLM-empowered learning environment. Data was collected from 312 undergraduate students at a university in China as they participated in a six-module course. Based on hierarchical cluster analyses of system profiles and student-AI interactive dialogues, we found that students exhibit varied behavioral, cognitive, and emotional engagement tendencies. This analysis allowed us to identify two types of dropouts (early dropouts and stagnating interactors) and three completer profiles (active questioners, responsive navigators, and lurkers). The results showed that high levels of interaction do not always equate to productive learning and vice versa. Prior knowledge significantly influenced interaction patterns and short-term learning benefits. Further analysis of the human-AI dialogues revealed that some students actively engaged in knowledge construction, while others displayed a high frequency of regulatory behaviors. Notably, both groups of students achieved comparable learning gains, demonstrating the effectiveness of the multi-agent learning environment in supporting personalized learning. These results underscore the complex and multifaceted nature of engagement in human-AI collaborative learning and provide practical implications for the design of adaptive educational systems.
• Abstract（参考訳）: 大規模言語モデル(LLM)を教育実践に統合することで、多様な学習者行動の調整によるパーソナライズされた学習が可能になる。 本研究では,多エージェント LLM を用いた学習環境における多様な学習者のプロファイルについて検討した。 中国にある大学の学部生312人が6モジュールコースに参加した際に収集したデータ。 システムプロファイルと学生とAIの対話の階層的クラスタ分析から,学生は行動,認知,感情的エンゲージメントの傾向が変化することがわかった。 この分析により、2種類のドロップアウト(早期のドロップアウトと段階的な対話)と3つの完全化プロファイル(アクティブな質問者、レスポンシブナビゲータ、ルーカー)を識別することができた。 その結果,高レベルの相互作用が生産的学習と同等であるとは限らないことがわかった。 先行知識は、相互作用パターンと短期学習の利点に大きく影響した。 人間とAIの対話をさらに分析した結果、一部の学生は知識構築に積極的に取り組んでおり、他の学生は規制行動の頻度が高いことがわかった。 特に,2つの学習グループが,個人化学習支援におけるマルチエージェント学習環境の有効性を実証し,同等の学習効果を得た。 これらの結果は、人間とAIの協調学習における複雑で多面的なエンゲージメントの性質を強調し、適応型教育システムの設計に実践的な意味を与える。

関連論文リスト

• PATS: Personality-Aware Teaching Strategies with Large Language Model Tutors [66.56586559631516]
  大型言語モデル (LLM) は教育教師としての可能性を秘めている。 しかし、異なる学習戦略は、異なる学生の個性に利益をもたらす。 それにもかかわらず、現在のLLM教育システムは生徒の性格特性を考慮に入れていない。
  論文  参考訳（メタデータ） (2026-01-13T10:17:26Z)
• Learning Factors in AI-Augmented Education: A Comparative Study of Middle and High School Students [0.7710436567988378]
  本研究では,AIを活用した学習環境において,4つの重要な学習要因,経験,明快さ,快適さ,モチベーションがコヒーレントを維持しているかを検討する。 この研究は、学生が学習活動の一環としてAIツールと対話する真正の教室環境で行われた。 相関分析とテキストマイニングを組み合わせたマルチメソッド定量的解析により,2つの年齢群間に有意な異なる次元構造が明らかになった。
  論文  参考訳（メタデータ） (2025-12-24T15:43:58Z)
• AgentTutor: Empowering Personalized Learning with Multi-Turn Interactive Teaching in Intelligent Education Systems [11.202091624300062]
  AgentTutorは、パーソナライズされた学習を促進する多ターンインタラクティブな知的教育システムである。 LLMを利用した生成型マルチエージェントシステムと学習者固有の学習プロファイル環境を備えている。 カリキュラムの分解、学習者評価、動的戦略、リフレクションの指導、知識と経験記憶の5つの重要なモジュールが含まれている。
  論文  参考訳（メタデータ） (2025-12-24T12:26:28Z)
• UCO: A Multi-Turn Interactive Reinforcement Learning Method for Adaptive Teaching with Large Language Models [59.693733170193944]
  大規模言語モデル(LLM)は、教育環境において、回答提供者からインテリジェントな家庭教師へとシフトしている。 最近の強化学習アプローチはこの制限に対処するが、2つの重要な課題に直面している。 これらの課題に対処するために一方向認知最適化法(UCO)を提案する。
  論文  参考訳（メタデータ） (2025-11-12T01:27:02Z)
• Unveiling the Learning Mind of Language Models: A Cognitive Framework and Empirical Study [50.065744358362345]
  大規模言語モデル(LLM)は、数学、コーディング、推論といったタスクにまたがる印象的な機能を示している。 しかし、彼らの学習能力は、動的環境に適応し、新しい知識を得るのに不可欠であり、まだ過小評価されていない。
  論文  参考訳（メタデータ） (2025-06-16T13:24:50Z)
• AI Pedagogy: Dialogic Social Learning for Artificial Agents [0.6553587309274792]
  本研究では,従来のAIトレーニング手法の限界に対処するために,社会的に媒介する学習パラダイムの可能性を探る。 そこで我々は,AI学習者エージェントが,知識のあるAI教師エージェントと教科の教育対話を行う,AIソーシャルガイム(AI Social Gym)と呼ばれる動的環境を導入する。 我々の調査は、異なる教育戦略が、買収の文脈におけるAI学習プロセスにどのように影響するかに焦点を当てている。
  論文  参考訳（メタデータ） (2025-05-25T11:19:48Z)
• Data Science Students Perspectives on Learning Analytics: An Application of Human-Led and LLM Content Analysis [2.4561590439700076]
  この研究は、イギリスの大学における一連の取り組みの一環であり、分析に関する学生の視点を深く理解することを目的としている。 Open University Learning Analyticsデータセットを調査した大学院生による協調的なデータ処理について検討する。
  論文  参考訳（メタデータ） (2025-01-22T17:16:01Z)
• 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)
• Personality-aware Student Simulation for Conversational Intelligent Tutoring Systems [34.760230622675365]
  Intelligent Tutoring Systems(ITS)は、パーソナライズされたセルフペースの学習体験を提供する。 大規模言語モデル(LLM)の出現により、より優れた人間と機械の相互作用が可能になる。 LLMは、与えられた言語能力と性格特性に応じて、多様な学生の反応を生成することができる。
  論文  参考訳（メタデータ） (2024-04-10T06:03:13Z)
• Evaluating and Optimizing Educational Content with Large Language Model Judgments [52.33701672559594]
  言語モデル(LM)を教育専門家として活用し,学習結果に対する様々な指導の影響を評価する。 本稿では,一方のLMが他方のLMの判断を報酬関数として利用して命令材料を生成する命令最適化手法を提案する。 ヒトの教師によるこれらのLM生成ワークシートの評価は、LM判定と人間の教師の嗜好との間に有意な整合性を示す。
  論文  参考訳（メタデータ） (2024-03-05T09:09:15Z)
• 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)
• Detecting Any Human-Object Interaction Relationship: Universal HOI Detector with Spatial Prompt Learning on Foundation Models [55.20626448358655]
  本研究では,ビジョン・ランゲージ(VL)基礎モデルと大規模言語モデル(LLM)を用いて,オープンワールド環境におけるユニバーサルインタラクション認識について検討する。 我々の設計にはHO Prompt-guided Decoder (HOPD) が含まれており、基礎モデルにおける高次関係表現と画像内の様々なHOペアとの結合を容易にする。 オープンカテゴリの対話認識では,対話文と解釈文の2つのタイプがサポートされている。
  論文  参考訳（メタデータ） (2023-11-07T08:27:32Z)
• Empowering Private Tutoring by Chaining Large Language Models [87.76985829144834]
  本研究は,最先端の大規模言語モデル(LLM)を活用した,本格的な知的チューリングシステムの開発を探求する。 このシステムは、相互に接続された3つのコアプロセス(相互作用、反射、反応)に分けられる。 各プロセスは LLM ベースのツールと動的に更新されたメモリモジュールによって実装される。
  論文  参考訳（メタデータ） (2023-09-15T02:42:03Z)
• 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)
• Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for Multi-Behavior Recommendation [52.89816309759537]
  マルチタイプの行動(例えば、クリック、カートの追加、購入など)は、ほとんどの現実世界のレコメンデーションシナリオに広く存在する。 最先端のマルチ振る舞いモデルは、すべての歴史的相互作用を入力として区別しない振る舞い依存を学習する。 本稿では,多様な行動に対する共有的・行動特異的な関心を学習するための,多目的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-03T05:28:14Z)
• 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。