論文の概要: LearnLens: LLM-Enabled Personalised, Curriculum-Grounded Feedback with Educators in the Loop
- arxiv url: http://arxiv.org/abs/2507.04295v1
- Date: Sun, 06 Jul 2025 08:39:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-08 15:46:35.107102
- Title: LearnLens: LLM-Enabled Personalised, Curriculum-Grounded Feedback with Educators in the Loop
- Title（参考訳）: LearnLens: LLMでパーソナライズされたカリキュラムを取り巻くフィードバック
- Authors: Runcong Zhao, Artem Borov, Jiazheng Li, Yulan He,
- Abstract要約: LearnLensはLLMベースのモジュラーシステムで、科学教育において個人化されたカリキュラムに沿ったフィードバックを生成する。
既存のシステムにおける重要な課題に対処し、スケーラブルで高品質なフィードバックを提供し、教師と学生の両方に力を与える。
- 参考スコア（独自算出の注目度）: 14.41622209349575
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Effective feedback is essential for student learning but is time-intensive for teachers. We present LearnLens, a modular, LLM-based system that generates personalised, curriculum-aligned feedback in science education. LearnLens comprises three components: (1) an error-aware assessment module that captures nuanced reasoning errors; (2) a curriculum-grounded generation module that uses a structured, topic-linked memory chain rather than traditional similarity-based retrieval, improving relevance and reducing noise; and (3) an educator-in-the-loop interface for customisation and oversight. LearnLens addresses key challenges in existing systems, offering scalable, high-quality feedback that empowers both teachers and students.
- Abstract（参考訳）: 効果的なフィードバックは学生の学習には不可欠であるが、教師には時間を要する。
本稿では,LearningLensについて紹介する。LearningLensは,理科教育における個人化されたカリキュラムに整合したフィードバックを生成するモジュール型LLMシステムである。
LearnLens は,(1) 微妙な推論エラーをキャプチャするエラー認識評価モジュール,(2) 従来の類似性に基づく検索ではなく,構造化されたトピックリンクメモリチェーンを用いたカリキュラムベース生成モジュール,3) 適応性の向上とノイズ低減,(3) ループのカスタマイズと監視のための教育者インターフェース,の3つのコンポーネントから構成される。
LearnLensは既存のシステムにおける重要な課題に対処し、スケーラブルで高品質なフィードバックを提供し、教師と学生の両方に力を与える。
関連論文リスト
- Partnering with AI: A Pedagogical Feedback System for LLM Integration into Programming Education [19.441958600393342]
本稿では,大規模言語モデル(LLM)によるフィードバック生成のための新しいフレームワークを提案する。
本研究は, 教員が枠組みに整合すると, LLMが学生を効果的に支援できると考えていることを示唆する。
しかし、動的な教室環境にフィードバックを適応できないなど、いくつかの制限があった。
論文 参考訳（メタデータ） (2025-07-01T03:48:48Z) - Learning-Time Encoding Shapes Unlearning in LLMs [25.48677069802298]
知識エンコーディングにおける学習時間選択が、未学習の事実知識の有効性に与える影響について検討する。
この結果から,学習時の知識符号化は,信頼性の高いポストホック・アンラーニングを実現する上で重要な役割を担っている可能性が示唆された。
論文 参考訳（メタデータ） (2025-06-18T02:42:02Z) - LLM-Driven Personalized Answer Generation and Evaluation [0.0]
個人学習者のニーズに適応したパーソナライゼーションは,学習経験の向上に不可欠である。
本稿では,学習者の質問に対するパーソナライズされた回答を生成するために,LLM(Large Language Models)の可能性について検討する。
論文 参考訳（メタデータ） (2025-06-12T15:46:15Z) - Can Large Language Models Match Tutoring System Adaptivity? A Benchmarking Study [0.0]
大規模言語モデル(LLM)は動的命令補助として約束を守る。
しかし、LLMが知的チューリングシステム(ITS)の適応性を再現できるかどうかは不明である。
論文 参考訳（メタデータ） (2025-04-07T23:57:32Z) - Position: LLMs Can be Good Tutors in Foreign Language Education [87.88557755407815]
我々は、外国語教育(FLE)において、大きな言語モデル(LLM)が効果的な家庭教師として機能する可能性を主張する。
具体的には、(1)データエンハンサーとして、(2)学習教材の作成や学生シミュレーションとして、(2)タスク予測器として、学習者の評価や学習経路の最適化に、(3)エージェントとして、そして、パーソナライズされた包括的教育を可能にする3つの重要な役割を果たせる。
論文 参考訳（メタデータ） (2025-02-08T06:48:49Z) - CourseAssist: Pedagogically Appropriate AI Tutor for Computer Science Education [1.052788652996288]
このポスターでは、コンピュータサイエンス教育用に作られた新しいLLMベースのチューターシステムであるCourseAssistを紹介している。
一般的なLLMシステムとは異なり、CourseAssistは検索強化生成、ユーザ意図分類、質問分解を使用して、AI応答を特定のコース材料や学習目標と整合させる。
論文 参考訳（メタデータ） (2024-05-01T20:43:06Z) - Improving the Validity of Automatically Generated Feedback via Reinforcement Learning [46.667783153759636]
強化学習(RL)を用いた正当性と整合性の両方を最適化するフィードバック生成フレームワークを提案する。
具体的には、直接選好最適化(DPO)によるトレーニングのための拡張データセットにおいて、GPT-4のアノテーションを使用してフィードバックペアよりも好みを生成する。
論文 参考訳（メタデータ） (2024-03-02T20:25:50Z) - From Language Modeling to Instruction Following: Understanding the Behavior Shift in LLMs after Instruction Tuning [63.63840740526497]
そこで本研究では,本質的な変化に着目した事前学習モデルの調整方法について検討する。
次に、事前訓練されたモデルと命令調整されたモデルから導かれた説明を比較することで、命令チューニングの影響について研究する。
この結果から,指導指導の3つの重要な影響が明らかになった。
論文 参考訳（メタデータ） (2023-09-30T21:16:05Z) - 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。