論文の概要: IntrEx: A Dataset for Modeling Engagement in Educational Conversations

• arxiv url: http://arxiv.org/abs/2509.06652v1
• Date: Mon, 08 Sep 2025 13:07:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.143518
• Title: IntrEx: A Dataset for Modeling Engagement in Educational Conversations
• Title（参考訳）: IntrEx:教育会話におけるエンゲージメントのモデル化のためのデータセット
• Authors: Xingwei Tan, Mahathi Parvatham, Chiara Gambi, Gabriele Pergola,
• Abstract要約: IntrExは、教師と学生の交流における興味と期待される興味を示す最初の大きなデータセットである。 我々は、100以上の第二言語学習者による厳密なアノテーションプロセスを採用している。 大規模言語モデル(LLM)が人間の興味ある判断を予測できるかどうかを検討する。
• 参考スコア（独自算出の注目度）: 7.526860155587907
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Engagement and motivation are crucial for second-language acquisition, yet maintaining learner interest in educational conversations remains a challenge. While prior research has explored what makes educational texts interesting, still little is known about the linguistic features that drive engagement in conversations. To address this gap, we introduce IntrEx, the first large dataset annotated for interestingness and expected interestingness in teacher-student interactions. Built upon the Teacher-Student Chatroom Corpus (TSCC), IntrEx extends prior work by incorporating sequence-level annotations, allowing for the study of engagement beyond isolated turns to capture how interest evolves over extended dialogues. We employ a rigorous annotation process with over 100 second-language learners, using a comparison-based rating approach inspired by reinforcement learning from human feedback (RLHF) to improve agreement. We investigate whether large language models (LLMs) can predict human interestingness judgments. We find that LLMs (7B/8B parameters) fine-tuned on interestingness ratings outperform larger proprietary models like GPT-4o, demonstrating the potential for specialised datasets to model engagement in educational settings. Finally, we analyze how linguistic and cognitive factors, such as concreteness, comprehensibility (readability), and uptake, influence engagement in educational dialogues.
• Abstract（参考訳）: エンゲージメントとモチベーションは第二言語習得に不可欠であるが、学習者による教育的な会話への関心を維持することは依然として課題である。 これまでの研究では、教育用テキストを興味深いものにする方法が研究されているが、会話におけるエンゲージメントを促進する言語的特徴についてはほとんど分かっていない。 このギャップに対処するため,教師と学生の交流において,興味と期待される興味を示す最初の大規模データセットであるIntrExを紹介した。 Teacher-Student Chatroom Corpus (TSCC)に基づいて構築されたIntrExは、シーケンスレベルのアノテーションを組み込むことで、事前の作業を拡張する。 我々は,人間フィードバックからの強化学習(RLHF)にインスパイアされた比較に基づく評価手法を用いて,100人以上の第二言語学習者による厳密なアノテーションプロセスを採用する。 大規模言語モデル(LLM)が人間の興味ある判断を予測できるかどうかを検討する。 LLM(7B/8Bパラメータ)は、GPT-4oのようなより大きなプロプライエタリなモデルよりも優れた関心度評価に基づいて微調整され、特殊化されたデータセットが教育環境におけるエンゲージメントをモデル化する可能性を実証している。 最後に、具体性、理解性(可読性)、取り込みなどの言語的・認知的要因が、教育対話におけるエンゲージメントにどのように影響するかを分析する。

関連論文リスト

• Exploring Knowledge Tracing in Tutor-Student Dialogues using LLMs [49.18567856499736]
  本研究では,大規模言語モデル(LLM)が対話学習を支援することができるかどうかを検討する。 我々は,学習者の知識レベルを対話全体にわたって追跡するために,ラベル付きデータに知識追跡(KT)手法を適用した。 我々は,2つの学習対話データセットの実験を行い,従来のKT手法よりも学生の反応の正しさを予測できる新しいLCM-based method LLMKTが優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-24T22:31:39Z)
• Can LLMs Understand the Implication of Emphasized Sentences in Dialogue? [64.72966061510375]
  強調は人間のコミュニケーションにおいて重要な要素であり、対話における純粋テキストを超えて話者の意図と含意を示す。 本稿では,強調の意味を抽出した強調注釈付き対話サンプルを用いたベンチマークであるEmphasized-Talkを紹介する。 オープンソースと商用の両方で様々な大規模言語モデル(LLM)を評価し,その性能を重要視して評価する。
  論文  参考訳（メタデータ） (2024-06-16T20:41:44Z)
• Holmes: A Benchmark to Assess the Linguistic Competence of Language Models [59.627729608055006]
  言語モデル(LM)の言語能力を評価するための新しいベンチマークであるHolmesを紹介する。 我々は、計算に基づく探索を用いて、異なる言語現象に関するLMの内部表現を調べる。 その結果,近年,他の認知能力からLMの言語能力を引き離す声が上がっている。
  論文  参考訳（メタデータ） (2024-04-29T17:58:36Z)
• Are Human Conversations Special? A Large Language Model Perspective [8.623471682333964]
  本研究では、人間(人間)の自然な会話を理解するために、大規模言語モデル(LLM)の注意機構の変化を分析する。 その結果,言語モデルはドメイン固有の注意行動を示すが,人間の会話を専門化する能力には大きなギャップがあることが判明した。
  論文  参考訳（メタデータ） (2024-03-08T04:44:25Z)
• Blending Reward Functions via Few Expert Demonstrations for Faithful and Accurate Knowledge-Grounded Dialogue Generation [22.38338205905379]
  我々は、新しい報酬関数を導入することで上記の課題を克服するために強化学習アルゴリズムを活用する。 我々の報奨関数は、精度測定値と忠実度測定値を組み合わせて、生成された応答のバランスの取れた品質判定を提供する。
  論文  参考訳（メタデータ） (2023-11-02T02:42:41Z)
• Subspace Chronicles: How Linguistic Information Emerges, Shifts and Interacts during Language Model Training [56.74440457571821]
  我々は、構文、意味論、推論を含むタスクを、200万の事前学習ステップと5つのシードで分析する。 タスクや時間にまたがる重要な学習フェーズを特定し、その間にサブスペースが出現し、情報を共有し、後に専門化するために混乱する。 この結果は,モデル解釈可能性,マルチタスク学習,限られたデータからの学習に影響を及ぼす。
  論文  参考訳（メタデータ） (2023-10-25T09:09:55Z)
• Acoustic and linguistic representations for speech continuous emotion recognition in call center conversations [2.0653090022137697]
  本稿では,AlloSat corpus へのトランスファー学習の一形態として,事前学習した音声表現の利用について検討する。 実験により,事前学習した特徴を用いて得られた性能の大きな向上を確認した。 驚いたことに、言語内容が満足度予測の主要な要因であることは明らかでした。
  論文  参考訳（メタデータ） (2023-10-06T10:22:51Z)
• Spoken Language Intelligence of Large Language Models for Language Learning [3.1964044595140217]
  教育分野における大規模言語モデル(LLM)の有効性を評価することに注力する。 上記のシナリオにおけるLLMの有効性を評価するために,新しい複数選択質問データセットを提案する。 また,ゼロショット法や少数ショット法など,様々なプロンプト技術の影響についても検討する。 異なる大きさのモデルは、音韻学、音韻学、第二言語習得の概念をよく理解しているが、実世界の問題に対する推論には限界がある。
  論文  参考訳（メタデータ） (2023-08-28T12:47:41Z)
• Learning to Memorize Entailment and Discourse Relations for Persona-Consistent Dialogues [8.652711997920463]
  既存の作業は、高度ネットワーク構造を持つ対話者ペルソナを意図的に学習することで、対話システムの性能を改善した。 本研究は,ペルソナ一貫性のある対話課題における係り受け関係と談話関係を記憶する学習方法を提案する。
  論文  参考訳（メタデータ） (2023-01-12T08:37:00Z)

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。