論文の概要: AITEE -- Agentic Tutor for Electrical Engineering

• arxiv url: http://arxiv.org/abs/2505.21582v1
• Date: Tue, 27 May 2025 10:07:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.184748
• Title: AITEE -- Agentic Tutor for Electrical Engineering
• Title（参考訳）: 電気工学のためのエージェントチュータ
• Authors: Christopher Knievel, Alexander Bernhardt, Christian Bernhardt,
• Abstract要約: AITEEは電気工学のためのエージェントベースの教育システムである。 手書き回路とデジタル回路の両方を適応回路再構成プロセスでサポートしている。 ソクラテス対話を実装し、ガイド付き質問を通じて学習者の自律性を育む。
• 参考スコア（独自算出の注目度）: 44.99833362998488
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intelligent tutoring systems combined with large language models offer a promising approach to address students' diverse needs and promote self-efficacious learning. While large language models possess good foundational knowledge of electrical engineering basics, they remain insufficiently capable of addressing specific questions about electrical circuits. In this paper, we present AITEE, an agent-based tutoring system for electrical engineering designed to accompany students throughout their learning process, offer individualized support, and promote self-directed learning. AITEE supports both hand-drawn and digital circuits through an adapted circuit reconstruction process, enabling natural interaction with students. Our novel graph-based similarity measure identifies relevant context from lecture materials through a retrieval augmented generation approach, while parallel Spice simulation further enhances accuracy in applying solution methodologies. The system implements a Socratic dialogue to foster learner autonomy through guided questioning. Experimental evaluations demonstrate that AITEE significantly outperforms baseline approaches in domain-specific knowledge application, with even medium-sized LLM models showing acceptable performance. Our results highlight the potential of agentic tutors to deliver scalable, personalized, and effective learning environments for electrical engineering education.
• Abstract（参考訳）: 知的学習システムと大規模言語モデルを組み合わせることで、学生の多様なニーズに対処し、自己効力のある学習を促進するための有望なアプローチを提供する。 大規模言語モデルは電気工学の基礎的な知識を持っているが、電気回路に関する特定の問題に対処する能力は不十分である。 本稿では,電気工学のエージェントベース学習システムであるAITEEについて紹介する。 AITEEは、適応回路再構築プロセスを通じて、手書き回路とデジタル回路の両方をサポートし、学生との自然な対話を可能にする。 新たなグラフベース類似度尺度では, 学習資料からの関連コンテキストを検索拡張生成手法により同定し, 並列スパイスシミュレーションにより解法の適用精度をさらに向上する。 このシステムはソクラティック対話を実装し、ガイド付き質問を通じて学習者の自律性を育成する。 実験により,AITEEはドメイン固有知識アプリケーションにおいて,中規模のLLMモデルでさえ許容性能を示しながら,ベースラインアプローチを著しく上回っていることが示された。 本研究は,電気工学教育のためのスケーラブルでパーソナライズされた効果的な学習環境を実現するためのエージェント・チューターの可能性を明らかにするものである。

関連論文リスト

• Enhancing tutoring systems by leveraging tailored promptings and domain knowledge with Large Language Models [2.5362697136900563]
  ChatGPTやIntelligent Tutoring Systems(ITS)といったAI駆動のツールは、パーソナライゼーションと柔軟性を通じて、学習エクスペリエンスを向上している。 ITSは、個々の学習ニーズに適応し、生徒のパフォーマンス、認知状態、学習パスに基づいてカスタマイズされたフィードバックを提供する。 我々の研究は,大規模言語モデル(LLM)の迅速な工学化にRAG(Retrieval Augmented Generation)を介して,スキルアラインなフィードバックを組み込むことによって,これらのギャップに対処することを目的としている。
  論文  参考訳（メタデータ） (2025-05-02T02:30:39Z)
• Design of AI-Powered Tool for Self-Regulation Support in Programming Education [4.171227316909729]
  大きな言語モデル(LLM)ツールは、高品質な補助を提供する可能性を示している。 しかし、これらのツールの多くは、機関的な学習管理システムとは独立して運用されている。 この分離は、学習材料を活用する能力と、適切なコンテキスト対応のフィードバックを生成するためのコンテキストを行使する能力を制限する。
  論文  参考訳（メタデータ） (2025-04-03T22:47:33Z)
• KBAlign: Efficient Self Adaptation on Specific Knowledge Bases [73.34893326181046]
  本稿では,効率的なモデル適応によりRAGシステムを強化する自己教師型フレームワークKBAlignを提案する。 私たちのキーとなる洞察は、2つの革新的なメカニズムを通じて、モデルの本質的な能力を知識の整合性に活用することです。 KBAlign は GPT-4 による適応によって得られる性能向上の90%を達成できることを示した。
  論文  参考訳（メタデータ） (2024-11-22T08:21:03Z)
• Towards Automated Knowledge Integration From Human-Interpretable Representations [55.2480439325792]
  我々は,情報メタ学習の原理を理論的に導入・動機付けし,自動的かつ制御可能な帰納バイアス選択を可能にする。 データ効率と一般化を改善するための情報メタラーニングのメリットと限界を実証的に示す。
  論文  参考訳（メタデータ） (2024-02-25T15:08:37Z)
• Empowering Private Tutoring by Chaining Large Language Models [87.76985829144834]
  本研究は,最先端の大規模言語モデル(LLM)を活用した,本格的な知的チューリングシステムの開発を探求する。 このシステムは、相互に接続された3つのコアプロセス(相互作用、反射、反応)に分けられる。 各プロセスは LLM ベースのツールと動的に更新されたメモリモジュールによって実装される。
  論文  参考訳（メタデータ） (2023-09-15T02:42:03Z)

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。