論文の概要: Beyond Answers: How LLMs Can Pursue Strategic Thinking in Education

• arxiv url: http://arxiv.org/abs/2504.04815v1
• Date: Mon, 07 Apr 2025 08:09:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:11:46.588263
• Title: Beyond Answers: How LLMs Can Pursue Strategic Thinking in Education
• Title（参考訳）: 答えを超えて:LLMは教育における戦略的思考をいかに引き出すことができるか
• Authors: Eleonora Grassucci, Gualtiero Grassucci, Aurelio Uncini, Danilo Comminiello,
• Abstract要約: 大規模言語モデル(LLM)は、教育提供を促進するために、患者家庭教師と協力パートナーの両方として機能する。 教師としてLLMは、ステップバイステップの説明を提供し、個々のニーズに対処することによって、学習をパーソナライズする。 協力者として、彼らは学生の地平線を拡大し、それらを複雑で現実的な問題に取り組むために支援する。
• 参考スコア（独自算出の注目度）: 9.836302410524842
• License:
• Abstract: Artificial Intelligence (AI) holds transformative potential in education, enabling personalized learning, enhancing inclusivity, and encouraging creativity and curiosity. In this paper, we explore how Large Language Models (LLMs) can act as both patient tutors and collaborative partners to enhance education delivery. As tutors, LLMs personalize learning by offering step-by-step explanations and addressing individual needs, making education more inclusive for students with diverse backgrounds or abilities. As collaborators, they expand students' horizons, supporting them in tackling complex, real-world problems and co-creating innovative projects. However, to fully realize these benefits, LLMs must be leveraged not as tools for providing direct solutions but rather to guide students in developing resolving strategies and finding learning paths together. Therefore, a strong emphasis should be placed on educating students and teachers on the successful use of LLMs to ensure their effective integration into classrooms. Through practical examples and real-world case studies, this paper illustrates how LLMs can make education more inclusive and engaging while empowering students to reach their full potential.
• Abstract（参考訳）: 人工知能(AI)は、教育における変革の可能性を持ち、パーソナライズされた学習を可能にし、傾きを高め、創造性と好奇心を奨励する。 本稿では,Large Language Models (LLMs) が患者家庭教師と共同パートナーの両立を図り,教育提供の促進を図る。 教師としてLLMは、ステップバイステップの説明を提供し、個々のニーズに対処することで学習をパーソナライズし、多様なバックグラウンドや能力を持つ学生に教育をより包摂的にする。 協力者として、彼らは学生の地平線を拡大し、複雑な現実世界の問題に対処し、革新的なプロジェクトを共同で創り出すのをサポートする。 しかし、これらの利点を十分に実現するためには、LCMは直接的なソリューションを提供するためのツールとしてではなく、解決戦略の開発や学習経路の発見を学生に指導するために活用されなければならない。 そのため、学生や教員にLLMの活用を成功させ、教室への効果的な統合を確実にするための教育に重点を置いておく必要がある。 本稿では,実例と実世界のケーススタディを通じて,LLMが学生に最大限の潜在能力を発揮させつつ,教育をより包括的かつ活発にするための方法を示す。

関連論文リスト

• Position: LLMs Can be Good Tutors in Foreign Language Education [87.88557755407815]
  我々は、外国語教育(FLE)において、大きな言語モデル(LLM)が効果的な家庭教師として機能する可能性を主張する。 具体的には、(1)データエンハンサーとして、(2)学習教材の作成や学生シミュレーションとして、(2)タスク予測器として、学習者の評価や学習経路の最適化に、(3)エージェントとして、そして、パーソナライズされた包括的教育を可能にする3つの重要な役割を果たせる。
  論文  参考訳（メタデータ） (2025-02-08T06:48:49Z)
• Embracing AI in Education: Understanding the Surge in Large Language Model Use by Secondary Students [53.20318273452059]
  OpenAIのChatGPTのような大規模言語モデル(LLM)は、新しい教育の道を開いた。 学校制限にもかかわらず,中高生300人以上を対象に調査を行ったところ,学生の70%がLDMを利用していることがわかった。 我々は、対象特化モデル、パーソナライズドラーニング、AI教室など、このような問題に対処するいくつかのアイデアを提案する。
  論文  参考訳（メタデータ） (2024-11-27T19:19:34Z)
• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure [36.83786872708736]
  1対1の授業は、最も効果的な教育方法の1つである。 我々は、LSMプロンプトを最適化し、遷移グラフとして表される事前定義されたマルチターンチューリング計画に従うアルゴリズムであるStratLを開発した。 ケーススタディとして,先進的で効果的な学習設計であるProductive Failure (PF) に続く,高校数学のプロトタイプチューターを作成する。
  論文  参考訳（メタデータ） (2024-10-03T16:15:41Z)
• Exploring Knowledge Tracing in Tutor-Student Dialogues using LLMs [49.18567856499736]
  本研究では,大規模言語モデル(LLM)が対話学習を支援することができるかどうかを検討する。 我々は,学習者の知識レベルを対話全体にわたって追跡するために,ラベル付きデータに知識追跡(KT)手法を適用した。 我々は,2つの学習対話データセットの実験を行い,従来のKT手法よりも学生の反応の正しさを予測できる新しいLCM-based method LLMKTが優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-24T22:31:39Z)
• I don't trust you (anymore)! -- The effect of students' LLM use on Lecturer-Student-Trust in Higher Education [0.0]
  Open AIのChatGPTのようなプラットフォームにおける大規模言語モデル(LLM)は、大学生の間で急速に採用されている。 学生によるLLMの使用は、情報と手続きの正義にどのように影響し、チーム信頼と期待されるチームパフォーマンスに影響を与えるか? 本研究は,LLM使用の公平さよりも,学生利用の透明性に重点を置いていることを示唆する。
  論文  参考訳（メタデータ） (2024-06-21T05:35:57Z)
• Large Language Models for Education: A Survey and Outlook [69.02214694865229]
  各視点の技術的進歩を体系的にレビューし、関連するデータセットとベンチマークを整理し、教育におけるLSMの展開に伴うリスクと課題を特定する。 本調査は、LLMの力を利用して教育実践を変革し、より効果的なパーソナライズされた学習環境を育むための、教育者、研究者、政策立案者のための総合的な技術図を提供することを目的とする。
  論文  参考訳（メタデータ） (2024-03-26T21:04:29Z)
• Adapting Large Language Models for Education: Foundational Capabilities, Potentials, and Challenges [60.62904929065257]
  大規模言語モデル(LLM)は、個々の要求を解釈することでこの問題を解決する可能性を提供する。 本稿では, 数学, 文章, プログラミング, 推論, 知識に基づく質問応答など, 教育能力に関する最近のLLM研究を概観する。
  論文  参考訳（メタデータ） (2023-12-27T14:37:32Z)
• Democratizing Reasoning Ability: Tailored Learning from Large Language Model [97.4921006089966]
  そこで我々は,そのような推論能力をより小さなLMに蒸留する,適切な学習手法を提案する。 対話型多ラウンド学習パラダイムを構築することにより,理科教員としてのLLMの可能性を活用する。 より小さなLMの推論可能性を活用するために,学生が自作ミスから学習する動機付けを目的とした自己回帰学習を提案する。
  論文  参考訳（メタデータ） (2023-10-20T07:50:10Z)
• Impact of Guidance and Interaction Strategies for LLM Use on Learner Performance and Perception [19.335003380399527]
  大規模言語モデル(LLM)は、その教育的有用性を探求する研究の増加とともに、有望な道を提供する。 本研究は,LLM支援学習環境の形成において,教師が果たす役割を強調した。
  論文  参考訳（メタデータ） (2023-10-13T01:21:52Z)

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。