論文の概要: AI instructional agent improves student's perceived learner control and learning outcome: empirical evidence from a randomized controlled trial
- arxiv url: http://arxiv.org/abs/2505.22526v1
- Date: Wed, 28 May 2025 16:13:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-29 17:35:50.722185
- Title: AI instructional agent improves student's perceived learner control and learning outcome: empirical evidence from a randomized controlled trial
- Title（参考訳）: AIインストラクショナルエージェントは、学生の知覚的学習者制御と学習結果を改善する--ランダム化試験による実証的証拠
- Authors: Fei Qin, Zhanxin Hao, Jifan Yu, Zhiyuan Liu, Yu Zhang,
- Abstract要約: 本研究は,教科を主教科とする中等教育課程において,AI指導エージェントが生徒の認知的学習者制御と学業成績に与える影響について検討した。
AI指導エージェントグループの学生は、他のグループに比べて学習者のコントロールが有意に高いことを報告した。
- 参考スコア（独自算出の注目度）: 29.45751702212421
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study examines the impact of an AI instructional agent on students' perceived learner control and academic performance in a medium demanding course with lecturing as the main teaching strategy. Based on a randomized controlled trial, three instructional conditions were compared: a traditional human teacher, a self-paced MOOC with chatbot support, and an AI instructional agent capable of delivering lectures and responding to questions in real time. Students in the AI instructional agent group reported significantly higher levels of perceived learner control compared to the other groups. They also completed the learning task more efficiently and engaged in more frequent interactions with the instructional system. Regression analyzes showed that perceived learner control positively predicted post-test performance, with behavioral indicators such as reduced learning time and higher interaction frequency supporting this relationship. These findings suggest that AI instructional agents, when designed to support personalized pace and responsive interaction, can enhance both students' learning experience and learning outcomes.
- Abstract（参考訳）: 本研究は,教科を主教科とする中等教育課程において,AI指導エージェントが生徒の認知的学習者制御と学業成績に与える影響について検討した。
ランダム化比較試験に基づき,従来の人間教師,チャットボットサポート付きMOOC,講義や質問応答をリアルタイムで行うAI指導エージェントの3つの指導条件を比較した。
AI指導エージェントグループの学生は、他のグループに比べて学習者のコントロールが有意に高いことを報告した。
また、より効率的に学習タスクを完了し、教育システムとのより頻繁な相互作用に従事した。
回帰分析の結果,学習者の学習時間短縮や対話頻度の向上など行動指標を用いて,学習者の学習後成績を肯定的に予測した。
これらの結果は、パーソナライズされたペースとレスポンシブインタラクションをサポートするように設計されたAI指導エージェントが、学生の学習経験と学習結果の両方を向上させることを示唆している。
関連論文リスト
- Alice: Proactive Learning with Teacher's Demonstrations for Weak-to-Strong Generalization [69.96794098855938]
Weak-to-strong Generalization (W2SG)は、ますます有能な言語モデル(LLM)を監督するための有望なフレームワークを提供する。
伝統的なW2SG手法は受動的学習に依存しており、弱い教師は強い生徒を訓練するためにノイズの多いデモを提供する。
教師と生徒の相補的な知識を活用して学習プロセスを強化するフレームワークであるAliceを紹介した。
論文 参考訳（メタデータ） (2025-04-09T22:33:06Z) - Beware of Metacognitive Laziness: Effects of Generative Artificial Intelligence on Learning Motivation, Processes, and Performance [15.064064880549232]
ハイブリッドインテリジェンスの概念はまだ初期段階にある。
学習者が様々なエージェントとの共生関係からどのような恩恵を受けるかは、いまだ不明である。
ChatGPTは、学習者の技術への依存を促進し、メタ認知遅延を引き起こす可能性がある。
論文 参考訳（メタデータ） (2024-12-12T14:32:39Z) - 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) - Revealing Networks: Understanding Effective Teacher Practices in
AI-Supported Classrooms using Transmodal Ordered Network Analysis [0.9187505256430948]
本研究は,AI教師と連携した数学教室において,システム内学習の伝統的な指標に関連する効果的な教員の実践を理解するために,トランスモーダル順序ネットワーク分析を用いた。
教師の実践を学生の学習率で比較すると,低学率の生徒はモニタリング後,より有意な使用感を示した。
学習率の低い生徒は、高学率の学生と同様の学習行動を示し、教師の正しい試みを繰り返した。
論文 参考訳（メタデータ） (2023-12-17T21:50:02Z) - Progressively Efficient Learning [58.6490456517954]
我々はCEIL(Communication-Efficient Interactive Learning)という新しい学習フレームワークを開発した。
CEILは、学習者と教師がより抽象的な意図を交換することで効率的にコミュニケーションする人間のようなパターンの出現につながる。
CEILで訓練されたエージェントは、新しいタスクを素早く習得し、非階層的で階層的な模倣学習を、絶対的な成功率で最大50%、20%上回った。
論文 参考訳（メタデータ） (2023-10-13T07:52:04Z) - Generative AI in the Classroom: Can Students Remain Active Learners? [23.487653534242092]
ジェネレーティブ・人工知能(英語版) (GAI) は教育における二重の武器と見なすことができる。
本稿では,学生の積極的学習戦略と関連するメタ認知能力に及ぼす効果に焦点を当てる。
GAIベースの教育アプリケーションに教育的透明性を導入するための枠組みを提案する。
論文 参考訳（メタデータ） (2023-10-04T22:33:46Z) - 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) - Implementing Learning Principles with a Personal AI Tutor: A Case Study [2.94944680995069]
本研究は,人間の学習過程をモデル化し,学術的性能を効果的に向上するパーソナルAIチューターの能力を示す。
プログラムにAIチューターを統合することで、教育者は、学習科学の原則に基づくパーソナライズされた学習体験を学生に提供することができる。
論文 参考訳（メタデータ） (2023-09-10T15:35:47Z) - Leveraging Deep Reinforcement Learning for Metacognitive Interventions
across Intelligent Tutoring Systems [7.253181280137071]
本研究は,知能学習システム(ITS)におけるメタ認知的介入を実現するための2つのアプローチを比較する。
実験1では,古典的な人工知能を用いて,生徒を異なるメタ認知グループに分類し,分類されたグループに基づいて静的な介入を行う。
Exp.2では,Deep Reinforcement Learning(DRL)を利用して,生徒のメタ認知レベルの変化を考慮した適応的介入を行った。
論文 参考訳（メタデータ） (2023-04-17T12:10:50Z) - Distantly-Supervised Named Entity Recognition with Adaptive Teacher
Learning and Fine-grained Student Ensemble [56.705249154629264]
NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。
本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。
微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
論文 参考訳（メタデータ） (2022-12-13T12:14:09Z)
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。