論文の概要: Personalized Knowledge Transfer Through Generative AI: Contextualizing Learning to Individual Career Goals

• arxiv url: http://arxiv.org/abs/2508.04070v1
• Date: Wed, 06 Aug 2025 04:03:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.541502
• Title: Personalized Knowledge Transfer Through Generative AI: Contextualizing Learning to Individual Career Goals
• Title（参考訳）: 生成AIによるパーソナライズされた知識伝達:個々のキャリア目標に対する学習のコンテキスト化
• Authors: Ronja Mehlan, Claudia Hess, Quintus Stierstorfer, Kristina Schaaff,
• Abstract要約: 本稿では,ジェネレーティブAI(GenAI)に基づく学習システムにおけるキャリア目標に基づくコンテンツ適応が学習者のエンゲージメント,満足度,学習効率に与える影響について検討する。 その結果, セッション期間の増加, 満足度の高い評価, 標準内容と比較して学習期間の緩やかな減少が認められた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As artificial intelligence becomes increasingly integrated into digital learning environments, the personalization of learning content to reflect learners' individual career goals offers promising potential to enhance engagement and long-term motivation. In our study, we investigate how career goal-based content adaptation in learning systems based on generative AI (GenAI) influences learner engagement, satisfaction, and study efficiency. The mixed-methods experiment involved more than 4,000 learners, with one group receiving learning scenarios tailored to their career goals and a control group. Quantitative results show increased session duration, higher satisfaction ratings, and a modest reduction in study duration compared to standard content. Qualitative analysis highlights that learners found the personalized material motivating and practical, enabling deep cognitive engagement and strong identification with the content. These findings underscore the value of aligning educational content with learners' career goals and suggest that scalable AI personalization can bridge academic knowledge and workplace applicability.
• Abstract（参考訳）: 人工知能がデジタル学習環境に統合されるにつれて、学習者の個々のキャリア目標を反映する学習内容のパーソナライゼーションは、エンゲージメントと長期的なモチベーションを高める有望な可能性を提供する。 本研究では、ジェネレーティブAI(GenAI)に基づく学習システムにおけるキャリア目標に基づくコンテンツ適応が学習者のエンゲージメント、満足度、学習効率にどのように影響するかを検討する。 混合メソッド実験では4000人以上の学習者が参加し、1つのグループがキャリア目標とコントロールグループに合わせて学習シナリオを受講した。 その結果, セッション期間の増加, 満足度の高い評価, 標準内容と比較して学習期間の緩やかな減少が認められた。 質的な分析では、学習者がパーソナライズされた素材を動機付け、実践的に発見し、深い認知的エンゲージメントとコンテンツとの強力な識別を可能にした。 これらの知見は、学習者のキャリア目標と教育内容の整合性の価値を強調し、スケーラブルなAIパーソナライゼーションが学術的知識と職場適用性を橋渡しできることを示唆している。

関連論文リスト

• Unveiling the Learning Mind of Language Models: A Cognitive Framework and Empirical Study [50.065744358362345]
  大規模言語モデル(LLM)は、数学、コーディング、推論といったタスクにまたがる印象的な機能を示している。 しかし、彼らの学習能力は、動的環境に適応し、新しい知識を得るのに不可欠であり、まだ過小評価されていない。
  論文  参考訳（メタデータ） (2025-06-16T13:24:50Z)
• LLM-powered Multi-agent Framework for Goal-oriented Learning in Intelligent Tutoring System [54.71619734800526]
  GenMentorは、ITS内で目標指向でパーソナライズされた学習を提供するために設計されたマルチエージェントフレームワークである。 学習者の目標を、カスタムのゴール・トゥ・スキルデータセットでトレーニングされた微調整LDMを使用して、必要なスキルにマッピングする。 GenMentorは、個々の学習者のニーズに合わせて探索・描画・統合機構で学習内容を調整する。
  論文  参考訳（メタデータ） (2025-01-27T03:29:44Z)
• 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)
• KaLM: Knowledge-aligned Autoregressive Language Modeling via Dual-view Knowledge Graph Contrastive Learning [74.21524111840652]
  本稿では、textitKnowledge-aligned Language Modeling アプローチである textbfKaLM を提案する。 明示的な知識アライメントと暗黙的な知識アライメントという共同目的を通じて、KG知識と整合するように、自己回帰的な大規模言語モデルを微調整する。 特に,本手法は知識駆動型タスクの評価において顕著な性能向上を実現している。
  論文  参考訳（メタデータ） (2024-12-06T11:08:24Z)
• Integrating Competency-Based Education in Interactive Learning Systems [1.0052074659955383]
  本稿では,アルテミスを能力に基づく教育に活用する方法について述べる。 インストラクターが能力間の関係を定義して能力関係グラフを作成する方法を示す。 本稿では,新たに設計した能力視覚化のユーザビリティに関するユーザスタディの結果を紹介する。
  論文  参考訳（メタデータ） (2023-08-25T15:11:53Z)
• From Psychological Curiosity to Artificial Curiosity: Curiosity-Driven Learning in Artificial Intelligence Tasks [56.20123080771364]
  心理学的好奇心は、探索と情報取得を通じて学習を強化するために、人間の知性において重要な役割を果たす。 人工知能(AI)コミュニティでは、人工好奇心は効率的な学習に自然な本質的な動機を与える。 CDLはますます人気を博し、エージェントは新たな知識を学習するために自己動機付けされている。
  論文  参考訳（メタデータ） (2022-01-20T17:07:03Z)
• Transferability in Deep Learning: A Survey [80.67296873915176]
  知識を習得し再利用する能力は、ディープラーニングにおける伝達可能性として知られている。 本研究は,深層学習における異なる孤立領域と伝達可能性との関係を関連付けるための調査である。 我々はベンチマークとオープンソースライブラリを実装し、転送可能性の観点からディープラーニング手法の公平な評価を可能にする。
  論文  参考訳（メタデータ） (2022-01-15T15:03:17Z)
• A Network Science Perspective to Personalized Learning [0.0]
  コンテンツ選択とマルチモーダルなエンゲージメントを提供する学習プラットフォームを用いて,学習目標の達成方法を検討する。 このフレームワークは、知識のネットワークによって支持される学習者のエンゲージメントとコンテンツ選択を提供することによって、経験を教えるのではなく、学習経験に注意を向ける。
  論文  参考訳（メタデータ） (2021-11-02T01:50:01Z)
• Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
  パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。 近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
  論文  参考訳（メタデータ） (2021-01-19T12:23:32Z)
• A Review on Intelligent Object Perception Methods Combining Knowledge-based Reasoning and Machine Learning [60.335974351919816]
  物体知覚はコンピュータビジョンの基本的なサブフィールドである。 最近の研究は、物体の視覚的解釈のインテリジェンスレベルを拡大するために、知識工学を統合する方法を模索している。
  論文  参考訳（メタデータ） (2019-12-26T13:26:49Z)

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。