論文の概要: Validating the Effectiveness of a Large Language Model-based Approach for Identifying Children's Development across Various Free Play Settings in Kindergarten

• arxiv url: http://arxiv.org/abs/2505.03369v1
• Date: Tue, 06 May 2025 09:40:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.31227
• Title: Validating the Effectiveness of a Large Language Model-based Approach for Identifying Children's Development across Various Free Play Settings in Kindergarten
• Title（参考訳）: 幼稚園における様々なフリープレイ環境における子どもの発達を識別するための大規模言語モデルに基づくアプローチの有効性の検証
• Authors: Yuanyuan Yang, Yuan Shen, Tianchen Sun, Yangbin Xie,
• Abstract要約: 本研究では,Large Language Models (LLMs) と学習分析を併用して,子どもの遊び体験の自己物語の分析を行う革新的なアプローチを提案する。 幼稚園の29人の子供の2,224の遊び談話を収集し,4つの異なる遊び領域を1学期以上にわたってカバーした。
• 参考スコア（独自算出の注目度）: 21.44110449320235
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Free play is a fundamental aspect of early childhood education, supporting children's cognitive, social, emotional, and motor development. However, assessing children's development during free play poses significant challenges due to the unstructured and spontaneous nature of the activity. Traditional assessment methods often rely on direct observations by teachers, parents, or researchers, which may fail to capture comprehensive insights from free play and provide timely feedback to educators. This study proposes an innovative approach combining Large Language Models (LLMs) with learning analytics to analyze children's self-narratives of their play experiences. The LLM identifies developmental abilities, while performance scores across different play settings are calculated using learning analytics techniques. We collected 2,224 play narratives from 29 children in a kindergarten, covering four distinct play areas over one semester. According to the evaluation results from eight professionals, the LLM-based approach achieved high accuracy in identifying cognitive, motor, and social abilities, with accuracy exceeding 90% in most domains. Moreover, significant differences in developmental outcomes were observed across play settings, highlighting each area's unique contributions to specific abilities. These findings confirm that the proposed approach is effective in identifying children's development across various free play settings. This study demonstrates the potential of integrating LLMs and learning analytics to provide child-centered insights into developmental trajectories, offering educators valuable data to support personalized learning and enhance early childhood education practices.
• Abstract（参考訳）: フリープレイは幼児教育の基本的な側面であり、子どもの認知、社会的、感情的、運動発達を支援する。 しかし、フリープレイ中の子どもの発達を評価することは、活動の非構造的・自発的な性質のために大きな課題となる。 従来の評価手法は、しばしば教師、親、研究者による直接的な観察に依存しており、フリープレイから包括的な洞察を得られず、教育者にタイムリーなフィードバックを提供する。 本研究では,Large Language Models (LLMs) と学習分析を併用して,子どもの遊び体験の自己物語の分析を行う革新的なアプローチを提案する。 LLMは発達能力を特定し、異なるプレイ設定のパフォーマンススコアは学習分析技術を用いて計算される。 幼稚園の29人の子供の2,224の遊び談話を収集し,4つの異なる遊び領域を1学期以上にわたってカバーした。 8名の専門家による評価結果によると,LLMに基づくアプローチは認知,運動,社会的能力の同定において高い精度を達成し,ほとんどの領域で90%を超える精度を示した。 さらに,各領域の特定の能力に対する独特な貢献を強調し,プレイ設定間での発達的成果の有意な差が認められた。 提案手法は,様々なフリープレイ環境における子どもの発達の同定に有効であることが確認された。 本研究は、発達軌跡に子ども中心の洞察を提供するために、LSMと学習分析を統合する可能性を示し、教育者にとって貴重なデータを提供し、パーソナライズされた学習を支援し、幼児教育の実践を強化する。

関連論文リスト

• Applying LLM-Powered Virtual Humans to Child Interviews in Child-Centered Design [0.0]
  本研究は,子どもの面接に適したLLMを用いた仮想人間の設計ガイドラインを確立する。 ChatGPTベースのプロンプトエンジニアリングを用いて、3つの異なるヒューマンAI(LLM-Auto, LLM-Interview, LLM-Analyze)を開発した。 その結果、LLM-Analyzeワークフローは、長い応答を引き出すことで、他のワークフローよりも優れていた。
  論文  参考訳（メタデータ） (2025-04-28T17:35:46Z)
• Exploring Natural Language-Based Strategies for Efficient Number Learning in Children through Reinforcement Learning [0.0]
  本稿では,強化学習(RL)の枠組みを用いて,子どもが数を学ぶ方法を検討する。 最先端の強化学習モデルを用いて,様々な言語命令が数獲得に与える影響をシミュレートし,解析する。
  論文  参考訳（メタデータ） (2024-10-10T19:49:13Z)
• 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)
• Exploring the Cognitive Knowledge Structure of Large Language Models: An Educational Diagnostic Assessment Approach [50.125704610228254]
  大規模言語モデル(LLM)は、様々なタスクにまたがる例外的なパフォーマンスを示すだけでなく、知性の火花も示している。 近年の研究では、人間の試験における能力の評価に焦点が当てられ、異なる領域における彼らの印象的な能力を明らかにしている。 ブルーム分類に基づく人体検査データセットであるMoocRadarを用いて評価を行った。
  論文  参考訳（メタデータ） (2023-10-12T09:55:45Z)
• Comparing Machines and Children: Using Developmental Psychology Experiments to Assess the Strengths and Weaknesses of LaMDA Responses [0.02999888908665658]
  我々は,Googleの大規模言語モデルであるLaMDAの能力を評価するために,古典的な開発実験を適用した。 社会的理解に関する実験において,LaMDAは子どもと同様の適切な反応を産み出すことがわかった。 一方、初期の対象と行動理解、心の理論、特に因果推論タスクに対するLaMDAの反応は、幼児のそれとは大きく異なる。
  論文  参考訳（メタデータ） (2023-05-18T18:15:43Z)
• Causal Imitation Learning with Unobserved Confounders [82.22545916247269]
  本研究では,学習者と専門家の感覚入力が異なる場合の模倣学習について検討する。 我々は、専門家の軌跡の量的知識を活用することで、模倣が依然として実現可能であることを示した。
  論文  参考訳（メタデータ） (2022-08-12T13:29:53Z)
• ChildCI Framework: Analysis of Motor and Cognitive Development in Children-Computer Interaction for Age Detection [4.442846744776511]
  本稿では、最近のChildCIフレームワークで提案されている異なるテストの包括的な分析について述べる。 本稿では,子どもがモバイルデバイスと対話する際の運動・認知的側面に関連する,100以上のグローバルな特徴について述べる。 93%以上の精度は、公開されているChildCIdb_v1データベースを使って達成される。
  論文  参考訳（メタデータ） (2022-04-08T18:03:39Z)
• Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
  パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。 近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
  論文  参考訳（メタデータ） (2021-01-19T12:23:32Z)

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。