論文の概要: Future-Proofing Programmers: Optimal Knowledge Tracing for AI-Assisted Personalized Education

• arxiv url: http://arxiv.org/abs/2509.23996v1
• Date: Sun, 28 Sep 2025 17:40:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.579324
• Title: Future-Proofing Programmers: Optimal Knowledge Tracing for AI-Assisted Personalized Education
• Title（参考訳）: 未来のプログラマ:AIを活用したパーソナライズ教育のための最適知識追跡
• Authors: Yuchen Wang, Pei-Duo Yu, Chee Wei Tan,
• Abstract要約: CoTutorは、学生の進捗モデリングを改善するために信号処理技術を用いてベイズ知識追跡を強化するAI駆動モデルである。 大学試験では、従来の教育ツールを上回りながら、学習成果の計測可能な改善を実証している。 我々の結果は、AIによるパーソナライゼーション、スケーラビリティ、そして教育技術におけるプライバシーと倫理的考慮を前進させる将来の機会の可能性を強調します。
• 参考スコア（独自算出の注目度）: 17.137781747517522
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning to learn is becoming a science, driven by the convergence of knowledge tracing, signal processing, and generative AI to model student learning states and optimize education. We propose CoTutor, an AI-driven model that enhances Bayesian Knowledge Tracing with signal processing techniques to improve student progress modeling and deliver adaptive feedback and strategies. Deployed as an AI copilot, CoTutor combines generative AI with adaptive learning technology. In university trials, it has demonstrated measurable improvements in learning outcomes while outperforming conventional educational tools. Our results highlight its potential for AI-driven personalization, scalability, and future opportunities for advancing privacy and ethical considerations in educational technology. Inspired by Richard Hamming's vision of computer-aided 'learning to learn,' CoTutor applies convex optimization and signal processing to automate and scale up learning analytics, while reserving pedagogical judgment for humans, ensuring AI facilitates the process of knowledge tracing while enabling learners to uncover new insights.
• Abstract（参考訳）: 学習の学習は、学習状態をモデル化し、教育を最適化するための知識追跡、信号処理、生成AIの収束によって、科学になりつつある。 我々は,信号処理技術を用いてベイズ知識追跡を強化し,生徒の進捗モデリングを改善し,適応的なフィードバックと戦略を提供するAI駆動型モデルであるCoTutorを提案する。 AIコパイロットとしてデプロイされたCoTutorは、生成AIと適応学習技術を組み合わせたものだ。 大学試験では、従来の教育ツールを上回りながら、学習成果の計測可能な改善を実証している。 我々の結果は、AIによるパーソナライゼーション、スケーラビリティ、そして教育技術におけるプライバシーと倫理的考慮を前進させる将来の機会の可能性を強調します。 コンピュータ支援の「学習する学習」というリチャード・ハミングのビジョンにインスパイアされたCoTutorは、学習分析の自動化とスケールアップに凸最適化と信号処理を適用し、人間の教育的判断を維持しながら、AIが知識追跡のプロセスを容易にし、学習者が新たな洞察を発見できるようにする。

関連論文リスト

• Human-in-the-Loop Systems for Adaptive Learning Using Generative AI [0.6780998887296331]
  学生主導のフィードバックループは、AIが生成した応答を修正して、学生の保持とエンゲージメントを改善する。 STEM学生による研究から得られた予備的な知見は、従来のAIツールと比較して学習結果と信頼性が向上したことを示している。
  論文  参考訳（メタデータ） (2025-08-14T20:44:34Z)
• When Models Know More Than They Can Explain: Quantifying Knowledge Transfer in Human-AI Collaboration [79.69935257008467]
  我々は,人間とAIの知識伝達能力に関する概念的かつ実験的フレームワークである知識統合と伝達評価(KITE)を紹介する。 最初の大規模人間実験(N=118)を行い,その測定を行った。 2段階のセットアップでは、まずAIを使って問題解決戦略を思いつき、その後独立してソリューションを実装し、モデル説明が人間の理解に与える影響を分離します。
  論文  参考訳（メタデータ） (2025-06-05T20:48:16Z)
• Generative AI in Education: From Foundational Insights to the Socratic Playground for Learning [2.8947618493306324]
  我々は,Large Language Models(LLM)と人間認知の並列性について論じる。 生成AIが大規模にパーソナライズされた学習を促進する方法を示す。
  論文  参考訳（メタデータ） (2025-01-12T01:43:39Z)
• Generative AI and Its Impact on Personalized Intelligent Tutoring Systems [0.0]
  生成AIは、動的コンテンツ生成、リアルタイムフィードバック、適応学習経路を通じてパーソナライズされた教育を可能にする。 報告では、自動質問生成、カスタマイズされたフィードバック機構、対話システムなどの重要な応用について検討する。 今後の方向性は、マルチモーダルAI統合の潜在的な進歩、学習システムにおける感情的知性、そしてAI駆動型教育の倫理的意味を強調する。
  論文  参考訳（メタデータ） (2024-10-14T16:01:01Z)
• Towards Automated Knowledge Integration From Human-Interpretable Representations [55.2480439325792]
  我々は,情報メタ学習の原理を理論的に導入・動機付けし,自動的かつ制御可能な帰納バイアス選択を可能にする。 データ効率と一般化を改善するための情報メタラーニングのメリットと限界を実証的に示す。
  論文  参考訳（メタデータ） (2024-02-25T15:08:37Z)
• Generative AI and Its Educational Implications [0.0]
  生成AIが4つの重要なセクションにわたる教育に与える影響について論じる。 我々は、生成型AIが教育の景観を変える方法を提案する。 社会的影響を認め,カリキュラムの更新の必要性を強調した。
  論文  参考訳（メタデータ） (2023-12-26T21:29:31Z)
• Artificial Intelligence-Enabled Intelligent Assistant for Personalized and Adaptive Learning in Higher Education [0.2812395851874055]
  本稿では,AIIA(Artificial Intelligence-Enabled Intelligent Assistant)という,高等教育におけるパーソナライズおよび適応学習のための新しいフレームワークを提案する。 AIIAシステムは、高度なAIと自然言語処理(NLP)技術を活用して、対話的で魅力的な学習プラットフォームを構築する。
  論文  参考訳（メタデータ） (2023-09-19T19:31:15Z)
• Deep Active Learning for Computer Vision: Past and Future [50.19394935978135]
  AIモデルの開発に欠かせない役割にもかかわらず、アクティブラーニングの研究は他の研究の方向性ほど集中的ではない。 データ自動化の課題に対処し、自動化された機械学習システムに対処することによって、アクティブな学習はAI技術の民主化を促進する。
  論文  参考訳（メタデータ） (2022-11-27T13:07:14Z)
• AI-based Modeling and Data-driven Evaluation for Smart Manufacturing Processes [56.65379135797867]
  本稿では,半導体製造プロセスに関する有用な知見を得るための動的アルゴリズムを提案する。 本稿では,遺伝的アルゴリズムとニューラルネットワークを利用して,知的特徴選択アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-08-29T14:57:53Z)
• Explainable Active Learning (XAL): An Empirical Study of How Local Explanations Impact Annotator Experience [76.9910678786031]
  本稿では、最近急増している説明可能なAI(XAI)のテクニックをアクティブラーニング環境に導入することにより、説明可能なアクティブラーニング(XAL)の新たなパラダイムを提案する。 本研究は,機械教育のインタフェースとしてのAI説明の利点として,信頼度校正を支援し,リッチな形式の教示フィードバックを可能にすること,モデル判断と認知作業負荷による潜在的な欠点を克服する効果を示す。
  論文  参考訳（メタデータ） (2020-01-24T22:52:18Z)

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。