論文の概要: RAG-PRISM: A Personalized, Rapid, and Immersive Skill Mastery Framework with Adaptive Retrieval-Augmented Tutoring

• arxiv url: http://arxiv.org/abs/2509.00646v1
• Date: Sun, 31 Aug 2025 00:54:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.320017
• Title: RAG-PRISM: A Personalized, Rapid, and Immersive Skill Mastery Framework with Adaptive Retrieval-Augmented Tutoring
• Title（参考訳）: RAG-PRISM:Adaptive Retrieval-Augmented Tutoringによるパーソナライズ、迅速、没入的なスキル習得フレームワーク
• Authors: Gaurangi Raul, Yu-Zheng Lin, Karan Patel, Bono Po-Jen Shih, Matthew W. Redondo, Banafsheh Saber Latibari, Jesus Pacheco, Soheil Salehi, Pratik Satam,
• Abstract要約: トレーニングプログラムは、さまざまなバックグラウンド、学習スタイル、永続性と成功を改善するモチベーションに対処する必要があります。 本稿では、生成AIとRetrieval-Augmented Generation(RAG)を組み合わせた適応型学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.5394948236100675
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The rapid digital transformation of Fourth Industrial Revolution (4IR) systems is reshaping workforce needs, widening skill gaps, especially for older workers. With growing emphasis on STEM skills such as robotics, automation, artificial intelligence (AI), and security, large-scale re-skilling and up-skilling are required. Training programs must address diverse backgrounds, learning styles, and motivations to improve persistence and success, while ensuring rapid, cost-effective workforce development through experiential learning. To meet these challenges, we present an adaptive tutoring framework that combines generative AI with Retrieval-Augmented Generation (RAG) to deliver personalized training. The framework leverages document hit rate and Mean Reciprocal Rank (MRR) to optimize content for each learner, and is benchmarked against human-generated training for alignment and relevance. We demonstrate the framework in 4IR cybersecurity learning by creating a synthetic QA dataset emulating trainee behavior, while RAG is tuned on curated cybersecurity materials. Evaluation compares its generated training with manually curated queries representing realistic student interactions. Responses are produced using large language models (LLMs) including GPT-3.5 and GPT-4, assessed for faithfulness and content alignment. GPT-4 achieves the best performance with 87% relevancy and 100% alignment. Results show this dual-mode approach enables the adaptive tutor to act as both a personalized topic recommender and content generator, offering a scalable solution for rapid, tailored learning in 4IR education and workforce development.
• Abstract（参考訳）: 第4次産業革命(4IR)システムの急速なデジタルトランスフォーメーションは、特に高齢労働者のスキルギャップを広げ、労働需要を変革している。 ロボット工学、自動化、人工知能(AI)、セキュリティといったSTEMスキルに重点が置かれているため、大規模なリスキルとアップスキルが求められている。 トレーニングプログラムは、さまざまなバックグラウンド、学習スタイル、モチベーションに対処し、持続性と成功を改善すると同時に、経験的学習を通じて、迅速かつ費用対効果の高い労働力開発を保証する必要がある。 これらの課題に対処するために、生成AIとRetrieval-Augmented Generation (RAG)を組み合わせてパーソナライズされたトレーニングを提供する適応型学習フレームワークを提案する。 このフレームワークは、文書のヒット率と平均相互ランク(MRR)を活用して、学習者ごとのコンテンツを最適化し、アライメントと関連性のための人為的なトレーニングと比較する。 トレーニング対象者の行動を模擬したQAデータセットを作成し,RAGをトレーニング対象とする4IRサイバーセキュリティ学習の枠組みを実証した。 評価は、生成したトレーニングを、現実的な学生の相互作用を表す手作業によるクエリと比較する。 応答はGPT-3.5やGPT-4を含む大規模言語モデル(LLM)を用いて生成され、忠実さとコンテンツアライメントを評価する。 GPT-4は87%の関連性と100%のアライメントで最高のパフォーマンスを達成する。 その結果、このデュアルモードアプローチにより、適応型チューターはパーソナライズされたトピックレコメンデータとコンテンツジェネレータの両方として機能し、4IRの教育と労働開発において、迅速な調整された学習のためのスケーラブルなソリューションを提供する。

関連論文リスト

• Omni-Thinker: Scaling Cross-Domain Generalization in LLMs via Multi-Task RL with Hybrid Rewards [50.21528417884747]
  Omni-Thinkerは多種多様なタスクにわたる大規模言語モデル(LLM)の性能を向上させる統合強化学習フレームワークである。 我々の手法はタスクタイプを一貫した最適化を可能にし、RLベースのトレーニングを主観的ドメインに拡張する。 4つの領域にまたがる実験の結果、カリキュラムの学習は、ジョイントトレーニングよりも5.2%、モデルマージより9.1%向上していることがわかった。
  論文  参考訳（メタデータ） (2025-07-20T01:50:16Z)
• Automated Hybrid Reward Scheduling via Large Language Models for Robotic Skill Learning [4.439166564530879]
  大規模言語モデル(LLM)に基づく自動ハイブリッドリワードスケジューリングフレームワークを提案する。 このパラダイムは、ポリシー最適化プロセスを通して、各報酬成分の学習強度を動的に調整する。 実験により、AHRS法は複数の高自由度ロボットタスクにおいて平均6.48%の性能向上を達成することが示された。
  論文  参考訳（メタデータ） (2025-05-05T09:06:17Z)
• Towards Autonomous Reinforcement Learning for Real-World Robotic Manipulation with Large Language Models [5.2364456910271935]
  自然言語タスク記述から報酬関数を生成するための教師なしパイプラインを提案する。 報酬はシミュレーション環境でRLエージェントを訓練するために使用され、報酬生成プロセスは実現可能性を高めるために形式化される。 ABB YuMiコラボレーティブロボットを用いたシングルアームおよびバイマニュアル操作タスクの広範囲なシミュレーション実験により,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-03-06T10:08:44Z)
• Personalized Education with Generative AI and Digital Twins: VR, RAG, and Zero-Shot Sentiment Analysis for Industry 4.0 Workforce Development [0.609125634461969]
  gAI-PT4I4は、学生の理解を評価するために感情分析を採用し、生成AIと有限オートマトンを利用して学習体験をカスタマイズする。 このフレームワークは、Interactive Tutorを特徴とするVRベースのトレーニングのために、低忠実なDigital Twinsを統合している。 LLMを用いたゼロショット感情分析と、エンジニアリングの促進により、学生と教師の相互作用を肯定的または否定的に分類する精度が86%に達する。
  論文  参考訳（メタデータ） (2025-02-19T20:11:19Z)
• 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)
• SPADE: Enhancing Adaptive Cyber Deception Strategies with Generative AI and Structured Prompt Engineering [0.17999333451993949]
  本研究では、ジェネレーティブAI(GenAI)モデルを利用して、適応型サイバー詐欺対策の開発を自動化する。 我々は,大規模言語モデルが適応的騙しにもたらす固有の課題に対処するために,体系的フレームワーク(SPADE)を導入する。
  論文  参考訳（メタデータ） (2025-01-01T19:44:30Z)
• PRISM: A Personalized, Rapid, and Immersive Skill Mastery framework for personalizing experiential learning through Generative AI [0.4022583182501593]
  PRISMは、gen-AIとDigital Twins(DT)を活用して、適応的で経験的な学習を提供するスケーラブルなフレームワークである。 PRISMは感情分析とRAG(Retrieval-Augmented Generation)を統合し、学習者の理解を監視し、学習目標を満たすためにコンテンツを動的に調整する。 GPT-4は教師と学生の対話におけるゼロショット感情分析において91%のF1を達成するのに対し、GPT-3.5は非公式言語では頑健に機能することを示した。
  論文  参考訳（メタデータ） (2024-11-02T07:16:47Z)
• RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation [68.70755196744533]
  RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。 我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
  論文  参考訳（メタデータ） (2023-11-02T17:59:21Z)
• GAT: Guided Adversarial Training with Pareto-optimal Auxiliary Tasks [73.88590165742721]
  本稿では,限られた訓練データの下で補助的なタスクを活用する新しい対人訓練手法を提案する。 本手法は, 対戦学習の最小値最適化において, シングルタスクモデルをマルチタスクモデルに拡張する。 我々は、ガイド付きマルチタスク学習が、モデルロバスト性の境界をさらに推し進めるために、実践的で有望な方法であることを実証する。
  論文  参考訳（メタデータ） (2023-02-06T16:23:24Z)

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。