論文の概要: Investigating Pedagogical Teacher and Student LLM Agents: Genetic Adaptation Meets Retrieval Augmented Generation Across Learning Style

• arxiv url: http://arxiv.org/abs/2505.19173v1
• Date: Sun, 25 May 2025 14:45:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.951315
• Title: Investigating Pedagogical Teacher and Student LLM Agents: Genetic Adaptation Meets Retrieval Augmented Generation Across Learning Style
• Title（参考訳）: 教育教師と学生LLMエージェントの探究: 遺伝的適応は学習スタイルを総合的に拡張する
• Authors: Debdeep Sanyal, Agniva Maiti, Umakanta Maharana, Dhruv Kumar, Ankur Mali, C. Lee Giles, Murari Mandal,
• Abstract要約: 効果的な教育には、学生の多様な認知的・行動的プロファイルに対応するために教育戦略を適用する必要がある。 本稿では,異種学生エージェントを自己最適化型教師エージェントと統合する新しいシミュレーションフレームワークを提案する。 本研究は,データ駆動環境下での人間教育者を訓練するためのテストベッドの提供を目的として,LLMによるシミュレーションの可能性を強調した。
• 参考スコア（独自算出の注目度）: 16.985943868964394
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Effective teaching requires adapting instructional strategies to accommodate the diverse cognitive and behavioral profiles of students, a persistent challenge in education and teacher training. While Large Language Models (LLMs) offer promise as tools to simulate such complex pedagogical environments, current simulation frameworks are limited in two key respects: (1) they often reduce students to static knowledge profiles, and (2) they lack adaptive mechanisms for modeling teachers who evolve their strategies in response to student feedback. To address these gaps, \textbf{we introduce a novel simulation framework that integrates LLM-based heterogeneous student agents with a self-optimizing teacher agent}. The teacher agent's pedagogical policy is dynamically evolved using a genetic algorithm, allowing it to discover and refine effective teaching strategies based on the aggregate performance of diverse learners. In addition, \textbf{we propose Persona-RAG}, a Retrieval Augmented Generation module that enables student agents to retrieve knowledge tailored to their individual learning styles. Persona-RAG preserves the retrieval accuracy of standard RAG baselines while enhancing personalization, an essential factor in modeling realistic educational scenarios. Through extensive experiments, we demonstrate how our framework supports the emergence of distinct and interpretable teaching patterns when interacting with varied student populations. Our results highlight the potential of LLM-driven simulations to inform adaptive teaching practices and provide a testbed for training human educators in controlled, data-driven environments.
• Abstract（参考訳）: 効果的な教育には、学生の多様な認知的・行動的プロファイルに対応するために教育戦略を適用すること、教育と教員養成における永続的な課題が必要である。 大規模言語モデル(LLM)はそのような複雑な教育環境をシミュレートするツールとして約束されるが、現在のシミュレーションフレームワークは、(1)学生を静的な知識プロファイルに還元することが多く、(2)生徒のフィードバックに応じて戦略を進化させる教師をモデル化するための適応的なメカニズムが欠如している。 これらのギャップに対処するため,LLMをベースとした異種学生エージェントと自己最適化型教師エージェントを統合した,新しいシミュレーションフレームワークを導入する。 教師エージェントの教育方針は遺伝的アルゴリズムを用いて動的に進化し、多様な学習者の集合的パフォーマンスに基づいて効果的な教育戦略を発見し、洗練することができる。 さらに,「ペルソナ・ラグ」は,学習者の学習スタイルに合わせた知識を学習エージェントが取得できる検索型拡張生成モジュールである。 Persona-RAGは、現実的な教育シナリオをモデル化するための重要な要素であるパーソナライゼーションを強化しながら、標準的なRAGベースラインの検索精度を保っている。 広範囲にわたる実験を通じて, 多様な学生集団と相互作用する際, 学際的, 解釈可能な授業パターンの出現を, 我々の枠組みがいかに支援するかを実証した。 本研究は,LLMによる教育実践の適応的情報提供と,データ駆動型環境下での人間教育者育成のためのテストベッドの提供を目的としたシミュレーションの可能性を明らかにするものである。

関連論文リスト

• From Problem-Solving to Teaching Problem-Solving: Aligning LLMs with Pedagogy using Reinforcement Learning [76.09281171131941]
  大規模言語モデル(LLM)は教育を変換することができるが、直接質問応答のための最適化はしばしば効果的な教育を損なう。 オンライン強化学習(RL)に基づくアライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-21T15:00:07Z)
• A Computational Model of Inclusive Pedagogy: From Understanding to Application [1.2058600649065616]
  人間の教育は単なる知識伝達を超越し、共適応力学に依存している。 中心性にもかかわらず、共適応型教師-学生相互作用(T-SI)の計算モデルは未開発のままである。 本稿では,人間教育の文脈的洞察をテスト可能なフレームワークに統合する計算的T-SIモデルを提案する。
  論文  参考訳（メタデータ） (2025-05-02T12:26:31Z)
• One Size doesn't Fit All: A Personalized Conversational Tutoring Agent for Mathematics Instruction [23.0134120158482]
  数学教育のためのtextbfPersontextbfAlized textbfConversational tutoring agtextbfEnt (PACE) を提案する。 PACEは、各生徒のペルソナに合わせて、フェーダーとシルバーマンの学習スタイルモデルに基づいて、生徒の学習スタイルをシミュレートする。 学生の理解を深めるために、PACEはソクラテス教育法を用いて即時フィードバックを提供し、深い思考を促進する。
  論文  参考訳（メタデータ） (2025-02-18T08:24:52Z)
• When LLMs Learn to be Students: The SOEI Framework for Modeling and Evaluating Virtual Student Agents in Educational Interaction [12.070907646464537]
  教室シナリオにおける人格対応型仮想学生エージェント(LVSA)の構築と評価のためのSOEIフレームワークを提案する。 LoRAファインチューニングとエキスパートインフォームドプロンプト設計により,5つのLVSAをBig Five特性に基づいて生成する。 その結果,(1)LLMをベースとした学生エージェントのための教育的,心理的に基盤とした生成パイプライン,(2)行動リアリズムのためのハイブリッドでスケーラブルな評価フレームワーク,(3)LVSAsの教育的有用性に関する実証的な知見が得られた。
  論文  参考訳（メタデータ） (2024-10-21T07:18:24Z)
• PersLLM: A Personified Training Approach for Large Language Models [66.16513246245401]
  データ構築とモデルチューニングを改善するためのフレームワークPersLLMを提案する。 データ利用が不十分な場合には、Chain-of-Thoughtプロンプトやアンチインダクションといった戦略を取り入れます。 厳密な振舞いパターンを設計し,モデルの性格の特異性とダイナミズムを高めるために自動DPOを導入する。
  論文  参考訳（メタデータ） (2024-07-17T08:13:22Z)
• Toward In-Context Teaching: Adapting Examples to Students' Misconceptions [54.82965010592045]
  本稿ではAdapTと呼ばれる一連のモデルと評価手法を紹介する。 AToMは、学生の過去の信念を共同で推論し、将来の信念の正しさを最適化する適応教育の新しい確率論的モデルである。 本研究は,適応型学習課題の難しさと,それを解決するための学習適応モデルの可能性を両立させるものである。
  論文  参考訳（メタデータ） (2024-05-07T17:05:27Z)

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。