論文の概要: Embracing Imperfection: Simulating Students with Diverse Cognitive Levels Using LLM-based Agents

• arxiv url: http://arxiv.org/abs/2505.19997v1
• Date: Mon, 26 May 2025 13:48:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.480128
• Title: Embracing Imperfection: Simulating Students with Diverse Cognitive Levels Using LLM-based Agents
• Title（参考訳）: 障害を受け入れる:LLMエージェントを用いた異種認知レベル学生のシミュレーション
• Authors: Tao Wu, Jingyuan Chen, Wang Lin, Mengze Li, Yumeng Zhu, Ang Li, Kun Kuang, Fei Wu,
• Abstract要約: 大規模言語モデル(LLM)は教育に革命をもたらしており、LLMベースのエージェントは学生の振る舞いをシミュレートする上で重要な役割を果たしている。 学生シミュレーションにおける大きな課題は、様々な認知レベルにおける学生の多様な学習パターンをモデル化することである。
• 参考スコア（独自算出の注目度）: 36.704574105201864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are revolutionizing education, with LLM-based agents playing a key role in simulating student behavior. A major challenge in student simulation is modeling the diverse learning patterns of students at various cognitive levels. However, current LLMs, typically trained as ``helpful assistants'', target at generating perfect responses. As a result, they struggle to simulate students with diverse cognitive abilities, as they often produce overly advanced answers, missing the natural imperfections that characterize student learning and resulting in unrealistic simulations. To address this issue, we propose a training-free framework for student simulation. We begin by constructing a cognitive prototype for each student using a knowledge graph, which captures their understanding of concepts from past learning records. This prototype is then mapped to new tasks to predict student performance. Next, we simulate student solutions based on these predictions and iteratively refine them using a beam search method to better replicate realistic mistakes. To validate our approach, we construct the \texttt{Student\_100} dataset, consisting of $100$ students working on Python programming and $5,000$ learning records. Experimental results show that our method consistently outperforms baseline models, achieving $100\%$ improvement in simulation accuracy.
• Abstract（参考訳）: 大規模言語モデル(LLM)は教育に革命をもたらしており、LLMベースのエージェントは学生の振る舞いをシミュレートする上で重要な役割を果たしている。 学生シミュレーションにおける大きな課題は、様々な認知レベルにおける学生の多様な学習パターンをモデル化することである。 しかしながら、現在のLLMは、通常 '`helpful assistants'' として訓練されており、完全な応答を生成することを目標としている。 結果として、彼らは様々な認知能力を持つ学生をシミュレートするのに苦労し、しばしば過度に高度な答えを出し、学生の学習を特徴づける自然な欠陥を欠き、非現実的なシミュレーションをもたらす。 この問題に対処するために,学生シミュレーションのためのトレーニング不要のフレームワークを提案する。 まず,過去の学習記録から概念を理解する知識グラフを用いて,各学生の認知プロトタイプを構築する。 このプロトタイプは、生徒のパフォーマンスを予測するために、新しいタスクにマップされる。 次に,これらの予測に基づいて学生ソリューションをシミュレートし,ビームサーチ法を用いて繰り返し改良し,現実的な誤りを再現する。 このアプローチを検証するために,Pythonプログラミングに100ドルの学生と5000ドルの学習記録からなる,‘texttt{Student\_100}データセットを構築した。 実験の結果,提案手法はベースラインモデルより一貫して優れており,シミュレーション精度が100\%以上向上していることがわかった。

関連論文リスト

• Classroom Simulacra: Building Contextual Student Generative Agents in Online Education for Learning Behavioral Simulation [10.209326669619273]
  N = 60の学生から6週間の教育ワークショップを開催し、カスタマイズされたオンライン教育システムを用いて詳細なデータを収集する。 本稿では,転送可能な反復リフレクション(TIR)モジュールを提案する。
  論文  参考訳（メタデータ） (2025-02-04T23:42:52Z)
• LLM-based Cognitive Models of Students with Misconceptions [55.29525439159345]
  本稿では,この2つの要件を満たすためにLLM(Large Language Models)を命令調整できるかどうかを検討する。 真正な学生ソリューションパターンを反映したデータセットを生成する新しいPythonライブラリであるMalAlgoPyを紹介する。 我々の洞察は、AIに基づく学生モデルの理解を高め、効果的な適応学習システムへの道を開く。
  論文  参考訳（メタデータ） (2024-10-16T06:51:09Z)
• 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)
• EduAgent: Generative Student Agents in Learning [15.215078619481732]
  オンライン教育における学生シミュレーションは,様々な背景を持つ学生の動的学習行動に対処するために重要である。 ディープラーニングに基づく既存のシミュレーションモデルでは、教育的文脈における事前知識が欠如しているため、大規模なトレーニングデータが必要である。 本研究は,認知的事前知識を取り入れた新しい生成エージェントフレームワークであるEduAgentを提案する。
  論文  参考訳（メタデータ） (2024-03-23T18:19:17Z)
• Leveraging generative artificial intelligence to simulate student learning behavior [13.171768256928509]
  本研究では,大規模言語モデル(LLM)による学生の学習行動のシミュレートの実現可能性について検討する。 従来の機械学習に基づく予測とは異なり、私たちはLLMを活用して、特定の人口層を持つ仮想学生をインスタンス化する。 我々の目的は、学習成果を予測するだけでなく、実際の学生の学習行動やパターンを再現することである。
  論文  参考訳（メタデータ） (2023-10-30T00:09:59Z)
• User Behavior Simulation with Large Language Model based Agents [116.74368915420065]
  LLMベースのエージェントフレームワークを提案し,実際のユーザ動作をシミュレートするサンドボックス環境を設計する。 実験結果から,本手法のシミュレーション行動は実人の行動に非常に近いことが判明した。
  論文  参考訳（メタデータ） (2023-06-05T02:58:35Z)
• Generalisable Methods for Early Prediction in Interactive Simulations for Education [5.725477071353353]
  シミュレーションにおける生徒のインタラクションデータを,期待性能に基づいて分類することは,適応的な指導を可能にする可能性がある。 まず,学生のタスク内動作を通して概念的理解を計測する。 そこで,我々は,クリックストリームデータから,シミュレーションの状態と学生の行動の両方をエンコードする,新しいタイプの特徴を提案する。
  論文  参考訳（メタデータ） (2022-07-04T14:46:56Z)
• Practical Imitation Learning in the Real World via Task Consistency Loss [18.827979446629296]
  本稿では,機能レベルと行動予測レベルの両方において,シミュレートと実際のアライメントを促進する自己監督的損失を提案する。 我々は、シミュレートとリアルで遠隔操作されたデモンストレーションを16.2時間しか使っていない10のシーンで80%の成功を達成した。
  論文  参考訳（メタデータ） (2022-02-03T21:43:06Z)
• Reactive Long Horizon Task Execution via Visual Skill and Precondition Models [59.76233967614774]
  シミュレーションで学習したモデルを用いて、単純なタスクプランナの構成要素をグラウンド化することで、見知らぬロボットタスクを達成できるシミュレート・トゥ・リアル・トレーニングのアプローチについて述べる。 シミュレーションでは91.6%から98%,実世界の成功率は10%から80%に増加した。
  論文  参考訳（メタデータ） (2020-11-17T15:24:01Z)

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。