論文の概要: INSIGHT: Bridging the Student-Teacher Gap in Times of Large Language Models
- arxiv url: http://arxiv.org/abs/2504.17677v1
- Date: Thu, 24 Apr 2025 15:47:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:53.446661
- Title: INSIGHT: Bridging the Student-Teacher Gap in Times of Large Language Models
- Title（参考訳）: INSIGHT:大規模言語モデルにおける教師のギャップを埋める
- Authors: Jarne Thys, Sebe Vanbrabant, Davy Vanacken, Gustavo Rovelo Ruiz,
- Abstract要約: INSIGHTは、さまざまなAIツールを組み合わせて、エクササイズを解決する過程において、スタッフと学生を教えることを支援する概念実証である。
我々は,学生の質問からFAQを動的に構築するキーワードを抽出することで,学生の質問をLLMに解析する。
- 参考スコア（独自算出の注目度）: 0.7499722271664147
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The rise of AI, especially Large Language Models, presents challenges and opportunities to integrate such technology into the classroom. AI has the potential to revolutionize education by helping teaching staff with various tasks, such as personalizing their teaching methods, but it also raises concerns, for example, about the degradation of student-teacher interactions and user privacy. This paper introduces INSIGHT, a proof of concept to combine various AI tools to assist teaching staff and students in the process of solving exercises. INSIGHT has a modular design that allows it to be integrated into various higher education courses. We analyze students' questions to an LLM by extracting keywords, which we use to dynamically build an FAQ from students' questions and provide new insights for the teaching staff to use for more personalized face-to-face support. Future work could build upon INSIGHT by using the collected data to provide adaptive learning and adjust content based on student progress and learning styles to offer a more interactive and inclusive learning experience.
- Abstract（参考訳）: AI、特にLarge Language Modelsの台頭は、このような技術を教室に組み込むための課題と機会を提示している。
AIは、教育方法のパーソナライズなど様々なタスクをスタッフに教えることによって、教育に革命をもたらす可能性がある。
本稿では,様々なAIツールを組み合わせることで,課題解決の過程における教員や学生の指導を支援するための概念実証であるINSIGHTを紹介する。
INSIGHTはモジュラーデザインで、様々な高等教育コースに統合できる。
我々は,学生の質問からFAQを動的に構築するキーワードを抽出し,よりパーソナライズされた対面支援に利用するための新たな洞察を提供する。
今後の作業は、収集したデータを使って、生徒の進歩と学習スタイルに基づいてコンテンツを適応的に学習し、よりインタラクティブで包括的な学習体験を提供する。
関連論文リスト
- Inclusive Education with AI: Supporting Special Needs and Tackling Language Barriers [0.0]
AIは、教育者がより包括的な学習環境を作るのを助ける革新的なツールを提供する。
マルチ言語教室でのリアルタイム翻訳とコミュニケーションを可能にするAI駆動型言語支援ツールについて論じる。
障害のある生徒の学習をパーソナライズするAIを活用した支援技術を模索している。
論文 参考訳（メタデータ） (2025-04-19T00:41:58Z) - 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) - How Do Students Interact with an LLM-powered Virtual Teaching Assistant in Different Educational Settings? [3.9134031118910264]
LLMを利用したバーチャル教育アシスタントであるJill Watson氏は、学生の質問に答えて、インストラクターが提供するコースウェア上での会話を延長する。
本稿では,Jill と学生の相互作用を,複数の科目や大学間で分析する。
幅広い認知的要求をサポートすることで、ジルは生徒に高度な高次認知的質問への参加を促している。
論文 参考訳（メタデータ） (2024-07-15T01:22:50Z) - 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) - YODA: Teacher-Student Progressive Learning for Language Models [82.0172215948963]
本稿では,教師が指導するプログレッシブ・ラーニング・フレームワークであるYodaを紹介する。
モデルファインチューニングの有効性を向上させるために,教師の教育過程をエミュレートする。
実験の結果, YODAのデータによるLLaMA2のトレーニングにより, SFTは大幅に向上した。
論文 参考訳（メタデータ） (2024-01-28T14:32:15Z) - 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) - Understanding Teacher Perspectives and Experiences after Deployment of
AI Literacy Curriculum in Middle-school Classrooms [12.35885897302579]
我々は,MIT RAICAカリキュラムのモジュール実装にともなう7人の教師の経験を考察した。
我々の分析は、AIモジュールが、この分野における教師の知識を拡大したことを示唆している。
私たちの教師は、技術資源をナビゲートする際に、より良い外部支援の必要性を主張しました。
論文 参考訳（メタデータ） (2023-12-08T05:36:16Z) - UKP-SQuARE: An Interactive Tool for Teaching Question Answering [61.93372227117229]
質問応答の指数的増加(QA)は、あらゆる自然言語処理(NLP)コースにおいて必須のトピックとなっている。
本稿では、QA教育のプラットフォームとしてUKP-SQuAREを紹介する。
学生は様々な視点から様々なQAモデルを実行、比較、分析することができる。
論文 参考訳（メタデータ） (2023-05-31T11:29:04Z) - Reinforcement Learning Tutor Better Supported Lower Performers in a Math
Task [32.6507926764587]
強化学習は、開発コストを削減し、インテリジェントな学習ソフトウェアの有効性を向上させるための重要なツールとなり得る。
本研究では, 深層強化学習を用いて, 音量の概念を学習する学生に適応的な教育支援を行うことができることを示す。
論文 参考訳（メタデータ） (2023-04-11T02:11:24Z) - Opportunities and Challenges in Neural Dialog Tutoring [54.07241332881601]
言語学習のための2つの対話学習データセットを用いて、様々な生成言語モデルを厳密に分析する。
現在のアプローチでは、制約のある学習シナリオでチューリングをモデル化できますが、制約の少ないシナリオではパフォーマンスが悪くなります。
人的品質評価では, モデルと接地木アノテーションの両方が, 同等のチュータリングの点で低い性能を示した。
論文 参考訳（メタデータ） (2023-01-24T11:00:17Z) - Neural Multi-Task Learning for Teacher Question Detection in Online
Classrooms [50.19997675066203]
教師の音声記録から質問を自動的に検出するエンドツーエンドのニューラルネットワークフレームワークを構築している。
マルチタスク学習手法を取り入れることで,質問の種類によって意味的関係の理解を深めることが可能となる。
論文 参考訳（メタデータ） (2020-05-16T02:17:04Z)
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。