論文の概要: How Real Is AI Tutoring? Comparing Simulated and Human Dialogues in One-on-One Instruction

• arxiv url: http://arxiv.org/abs/2509.01914v1
• Date: Tue, 02 Sep 2025 03:18:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.895467
• Title: How Real Is AI Tutoring? Comparing Simulated and Human Dialogues in One-on-One Instruction
• Title（参考訳）: AIのチューニングはどんなものか? シミュレーションと人間の対話を1対1で比較
• Authors: Ruijia Li, Yuan-Hao Jiang, Jiatong Wang, Bo Jiang,
• Abstract要約: 本研究は,AIを模擬した人体学習対話における構造的・行動的差異を系統的に検討する。 その結果,人間の対話は発話長においてAIよりもはるかに優れており,質問行動(I-Q)や一般フィードバック行動(F-F)にも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 6.649393350057383
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heuristic and scaffolded teacher-student dialogues are widely regarded as critical for fostering students' higher-order thinking and deep learning. However, large language models (LLMs) currently face challenges in generating pedagogically rich interactions. This study systematically investigates the structural and behavioral differences between AI-simulated and authentic human tutoring dialogues. We conducted a quantitative comparison using an Initiation-Response-Feedback (IRF) coding scheme and Epistemic Network Analysis (ENA). The results show that human dialogues are significantly superior to their AI counterparts in utterance length, as well as in questioning (I-Q) and general feedback (F-F) behaviors. More importantly, ENA results reveal a fundamental divergence in interactional patterns: human dialogues are more cognitively guided and diverse, centered around a "question-factual response-feedback" teaching loop that clearly reflects pedagogical guidance and student-driven thinking; in contrast, simulated dialogues exhibit a pattern of structural simplification and behavioral convergence, revolving around an "explanation-simplistic response" loop that is essentially a simple information transfer between the teacher and student. These findings illuminate key limitations in current AI-generated tutoring and provide empirical guidance for designing and evaluating more pedagogically effective generative educational dialogue systems.
• Abstract（参考訳）: ヒューリスティックで足場のある教師と学生の対話は、生徒の高次思考と深層学習を促進するために重要であると広く考えられている。 しかし、大規模言語モデル(LLM)は、教育学的にリッチなインタラクションを生成する上で、現在課題に直面している。 本研究は,AIを模擬した人体学習対話における構造的・行動的差異を系統的に検討する。 Initiation-Response-Feedback (IRF) 符号化方式と Epistemic Network Analysis (ENA) を用いた定量的比較を行った。 その結果,人間の対話は発話長においてAIよりもはるかに優れており,質問行動(I-Q)や一般フィードバック行動(F-F)にも優れていることがわかった。 対して、シミュレーションされた対話は、構造的単純化と行動的収束のパターンを示し、教師と生徒の間の単純な情報伝達である「説明的応答」ループを中心に回転する。 これらの知見は、現在のAI生成学習における鍵となる限界を解明し、より教育学的に効果的な生成的対話システムの設計と評価のための実証的なガイダンスを提供する。

関連論文リスト

• Beyond Automation: Socratic AI, Epistemic Agency, and the Implications of the Emergence of Orchestrated Multi-Agent Learning Architectures [0.0]
  ジェネレーティブAIはもはや高等教育における周辺ツールではない。 本稿では,ソクラティックAIテュータの評価実験から得られた知見について述べる。 テューターを使用する学生は、批判的、独立的、反省的な思考に対する大きな支持を報告した。
  論文  参考訳（メタデータ） (2025-08-07T07:49:03Z)
• Aligning Spoken Dialogue Models from User Interactions [55.192134724622235]
  本稿では,ユーザの対話からリアルタイム会話における音声対話モデルを改善するための新しい嗜好アライメントフレームワークを提案する。 AIフィードバックを付加した生のマルチターン音声会話から15万以上の好みペアのデータセットを作成する。 本研究は, 自然なリアルタイム音声対話システムにおいて重要な, 様々な力学におけるバランスの整合性の重要性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-06-26T16:45:20Z)
• Contrastive Speaker-Aware Learning for Multi-party Dialogue Generation with LLMs [4.691083532629246]
  マルチパーティ対話生成は、複数の話者の複雑な相互作用と会話スレッド間の相互作用によって大きな課題を呈する。 本稿では,事前学習されたLarge Language Models (LLM) を利用した新しい生成モデルである Speaker-Attentive LLM (SA-LLM) と,これらの課題に対処するための話者認識型コントラスト学習戦略を提案する。 SA-LLMは、明示的な関係アノテーションなしで文脈的コヒーレンスと話者の役割を暗黙的に学習する、話者対応の入力符号化と対照的な学習目的を取り入れている。
  論文  参考訳（メタデータ） (2025-03-11T19:28:12Z)
• Advancing Multi-Party Dialogue Framework with Speaker-ware Contrastive Learning [10.678477576849579]
  コントラスト学習に基づく多人数対話応答生成フレームワークを提案する。 CMRは2段階の自己教師型コントラスト学習フレームワークを採用している。 実験の結果、CMRは最先端のモデルよりも優れているだけでなく、大きな事前訓練された言語モデルにも優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-20T06:28:22Z)
• DiPlomat: A Dialogue Dataset for Situated Pragmatic Reasoning [89.92601337474954]
  プラグマティック推論は、実生活における会話でしばしば起こる暗黙の意味を解読する上で重要な役割を担っている。 そこで我々は,現実的な推論と会話理解の場所に関するマシンの能力のベンチマークを目的とした,新しい挑戦であるDiPlomatを紹介した。
  論文  参考訳（メタデータ） (2023-06-15T10:41:23Z)
• Opportunities and Challenges in Neural Dialog Tutoring [54.07241332881601]
  言語学習のための2つの対話学習データセットを用いて、様々な生成言語モデルを厳密に分析する。 現在のアプローチでは、制約のある学習シナリオでチューリングをモデル化できますが、制約の少ないシナリオではパフォーマンスが悪くなります。 人的品質評価では, モデルと接地木アノテーションの両方が, 同等のチュータリングの点で低い性能を示した。
  論文  参考訳（メタデータ） (2023-01-24T11:00:17Z)
• Ranking Enhanced Dialogue Generation [77.8321855074999]
  対話履歴を効果的に活用する方法は、マルチターン対話生成において重要な問題である。 これまでの研究は通常、歴史をモデル化するために様々なニューラルネットワークアーキテクチャを使用していた。 本稿では,ランキング拡張対話生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-13T01:49:56Z)
• You Impress Me: Dialogue Generation via Mutual Persona Perception [62.89449096369027]
  認知科学の研究は、理解が高品質なチャット会話に不可欠なシグナルであることを示唆している。 そこで我々は,P2 Botを提案する。このP2 Botは,理解を明示的にモデル化することを目的とした送信機受信者ベースのフレームワークである。
  論文  参考訳（メタデータ） (2020-04-11T12:51:07Z)
• Learning from Easy to Complex: Adaptive Multi-curricula Learning for Neural Dialogue Generation [40.49175137775255]
  現在の最先端のニューラルダイアログシステムは、主にデータ駆動であり、人為的な応答に基づいて訓練されている。 組織されたカリキュラムの委員会をスケジュールするための適応型多言語学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-02T03:09:28Z)

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。