論文の概要: Enabling Multi-Agent Systems as Learning Designers: Applying Learning Sciences to AI Instructional Design

• arxiv url: http://arxiv.org/abs/2508.16659v1
• Date: Wed, 20 Aug 2025 14:44:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.093966
• Title: Enabling Multi-Agent Systems as Learning Designers: Applying Learning Sciences to AI Instructional Design
• Title（参考訳）: 学習デザイナーとしてのマルチエージェントシステムの実現:AI教育設計への学習科学の適用
• Authors: Jiayi Wang, Ruiwei Xiao, Xinying Hou, John Stamper,
• Abstract要約: 本研究は,教育的専門知識を利用者のプロンプトからLLMの内部アーキテクチャへシフトさせる。 二次数学と理科の学習活動を生成するための3つのシステムを検証した。
• 参考スコア（独自算出の注目度）: 6.080614844688028
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: K-12 educators are increasingly using Large Language Models (LLMs) to create instructional materials. These systems excel at producing fluent, coherent content, but often lack support for high-quality teaching. The reason is twofold: first, commercial LLMs, such as ChatGPT and Gemini which are among the most widely accessible to teachers, do not come preloaded with the depth of pedagogical theory needed to design truly effective activities; second, although sophisticated prompt engineering can bridge this gap, most teachers lack the time or expertise and find it difficult to encode such pedagogical nuance into their requests. This study shifts pedagogical expertise from the user's prompt to the LLM's internal architecture. We embed the well-established Knowledge-Learning-Instruction (KLI) framework into a Multi-Agent System (MAS) to act as a sophisticated instructional designer. We tested three systems for generating secondary Math and Science learning activities: a Single-Agent baseline simulating typical teacher prompts; a role-based MAS where agents work sequentially; and a collaborative MAS-CMD where agents co-construct activities through conquer and merge discussion. The generated materials were evaluated by 20 practicing teachers and a complementary LLM-as-a-judge system using the Quality Matters (QM) K-12 standards. While the rubric scores showed only small, often statistically insignificant differences between the systems, the qualitative feedback from educators painted a clear and compelling picture. Teachers strongly preferred the activities from the collaborative MAS-CMD, describing them as significantly more creative, contextually relevant, and classroom-ready. Our findings show that embedding pedagogical principles into LLM systems offers a scalable path for creating high-quality educational content.
• Abstract（参考訳）: K-12教育者は、Large Language Models (LLMs) を用いて、教材の作成を行っている。 これらのシステムは、流動的でコヒーレントなコンテンツを生み出すのに優れていますが、高品質な教育のサポートを欠いていることが多いのです。 理由は2つある: まず、ChatGPT や Gemini のような商業用 LLM は、教師にとって最も広くアクセス可能であり、真に効果的な活動の設計に必要な教育学理論の深みにプリロードされない。 本研究は,教育的専門知識を利用者のプロンプトからLLMの内部アーキテクチャへシフトさせる。 確立された知識学習教育(KLI)フレームワークをマルチエージェントシステム(MAS)に組み込み、洗練された教育設計者として機能させる。 我々は,2次数学と理科の学習活動を生成するための3つのシステムをテストした。典型的な教師のプロンプトをシミュレートする単一エージェントベースライン,エージェントが順次働くロールベースMAS,エージェントが征服と統合の議論を通じて協調的に活動する協調MAS-CMDである。 作成した教材は,20名の教員と,QM(Quality Matters)K-12標準を用いたLCM-as-a-judgeシステムを用いて評価した。 ルーリックスコアは、システム間で小さな、しばしば統計的に重要な違いしか示さなかったが、教育者からの質的なフィードバックは明確で説得力のある絵を描いた。 教師はコラボレーティブMAS-CMDのアクティビティを強く好んでおり、より創造的で、文脈的に関係があり、教室対応であると述べている。 LLMシステムに教育的原則を組み込むことは、高品質な教育コンテンツを作成するためのスケーラブルな道筋を提供することを示す。

関連論文リスト

• Improving Student-AI Interaction Through Pedagogical Prompting: An Example in Computer Science Education [1.1517315048749441]
  大規模言語モデル(LLM)アプリケーションは、興奮と懸念の両方を引き起こした。 最近の研究は、LLMの誤用が学習の妨げとなることを一貫して強調している。 本研究の目的は,LLMの学習改善を効果的に促進する方法を学生に教えることである。
  論文  参考訳（メタデータ） (2025-06-23T20:39:17Z)
• From Problem-Solving to Teaching Problem-Solving: Aligning LLMs with Pedagogy using Reinforcement Learning [76.09281171131941]
  大規模言語モデル(LLM)は教育を変換することができるが、直接質問応答のための最適化はしばしば効果的な教育を損なう。 オンライン強化学習(RL)に基づくアライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-21T15:00:07Z)
• LLM Agents for Education: Advances and Applications [49.3663528354802]
  大規模言語モデル(LLM)エージェントは、タスクの自動化と多様な教育アプリケーションにおけるイノベーションの推進において、顕著な能力を示した。 本調査は、LLMエージェントの総合的技術概要を提供することを目的としており、学習者や教育者のより大きな利益に対する影響を高めるために、さらなる研究と協力を促進することを目的としている。
  論文  参考訳（メタデータ） (2025-03-14T11:53:44Z)
• Simulating Classroom Education with LLM-Empowered Agents [48.26286735827104]
  大型言語モデル (LLM) は、様々な知的教育タスクに応用され、教育支援を行っている。 マルチエージェント型教室シミュレーション教育フレームワークSimClassを提案する。 代表的クラスの役割を認識し、自動授業のための新しいクラス制御機構を導入する。
  論文  参考訳（メタデータ） (2024-06-27T14:51:07Z)
• Scaffolding Language Learning via Multi-modal Tutoring Systems with Pedagogical Instructions [34.760230622675365]
  知的家庭教師システム(ITS)は、人間の家庭教師を模倣し、学習者にカスタマイズされた指導やフィードバックを提供することを目的としている。 生成人工知能の出現に伴い、大規模言語モデル(LLM)は、複雑な会話の相互作用をシステムに付与する。 教育指導がITSの足場形成をいかに促進するかを,子どもに言語学習のための画像記述を指導するケーススタディにより検討した。
  論文  参考訳（メタデータ） (2024-04-04T13:22:28Z)
• AutoTutor meets Large Language Models: A Language Model Tutor with Rich Pedagogy and Guardrails [43.19453208130667]
  大規模言語モデル(LLM)は、自動質問生成からエッセイ評価まで、いくつかのユースケースを教育で発見した。 本稿では,Large Language Models (LLMs) を用いて知的チューリングシステムを構築する可能性について検討する。 MWPTutor は LLM を用いて事前定義された有限状態トランスデューサの状態空間を補う。
  論文  参考訳（メタデータ） (2024-02-14T14:53:56Z)
• Mastering Robot Manipulation with Multimodal Prompts through Pretraining and Multi-task Fine-tuning [49.92517970237088]
  我々はマルチモーダルなプロンプトを理解するためにロボットを訓練する問題に取り組む。 このようなタスクは、視覚と言語信号の相互接続と相補性を理解するロボットの能力にとって大きな課題となる。 マルチモーダルプロンプトを用いてロボット操作を行うためのポリシーを学習する効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-14T22:24:58Z)

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。