論文の概要: On the Role of Domain Experts in Creating Effective Tutoring Systems

• arxiv url: http://arxiv.org/abs/2510.01432v1
• Date: Wed, 01 Oct 2025 20:12:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.854799
• Title: On the Role of Domain Experts in Creating Effective Tutoring Systems
• Title（参考訳）: 効果的なチューニングシステム構築におけるドメインエキスパートの役割について
• Authors: Sarath Sreedharan, Kelsey Sikes, Nathaniel Blanchard, Lisa Mason, Nikhil Krishnaswamy, Jill Zarestky,
• Abstract要約: 説明可能なAI(XAI)技術を使って、レッスンを自動生成する方法について検討する。 第2に,対象概念を学習するための専門的なカリキュラムが,適応型チューリングシステムの開発にどのように役立つかを確認する。
• 参考スコア（独自算出の注目度）: 20.357280524494023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The role that highly curated knowledge, provided by domain experts, could play in creating effective tutoring systems is often overlooked within the AI for education community. In this paper, we highlight this topic by discussing two ways such highly curated expert knowledge could help in creating novel educational systems. First, we will look at how one could use explainable AI (XAI) techniques to automatically create lessons. Most existing XAI methods are primarily aimed at debugging AI systems. However, we will discuss how one could use expert specified rules about solving specific problems along with novel XAI techniques to automatically generate lessons that could be provided to learners. Secondly, we will see how an expert specified curriculum for learning a target concept can help develop adaptive tutoring systems, that can not only provide a better learning experience, but could also allow us to use more efficient algorithms to create these systems. Finally, we will highlight the importance of such methods using a case study of creating a tutoring system for pollinator identification, where such knowledge could easily be elicited from experts.
• Abstract（参考訳）: ドメインの専門家によって提供される高度に訓練された知識が、効果的な教育システムの構築に果たす役割は、しばしばAI for Educationコミュニティで見過ごされる。 本稿では,このような高度に訓練された専門家の知識が,新たな教育システム構築に役立つ2つの方法について論じる。 まず、説明可能なAI(XAI)技術を使ってレッスンを自動生成する方法を検討する。 既存のXAIメソッドのほとんどは、主にAIシステムのデバッグを目的としている。 しかし、学習者に提供可能なレッスンを自動的に生成するために、新しいXAI技術とともに、特定の問題を解決するための専門的なルールをいかに活用できるかについて議論する。 第二に、対象とする概念を学習するための専門的なカリキュラムが、より優れた学習体験を提供するだけでなく、より効率的なアルゴリズムを使ってこれらのシステムを構築することができる適応型チューリングシステムの開発にどのように役立つかを確認する。 最後に, 受粉者識別のための指導システムの構築というケーススタディを用いて, このような知識を専門家から容易に引き出すことのできる手法の重要性を強調した。

関連論文リスト

• AI-Powered Math Tutoring: Platform for Personalized and Adaptive Education [0.0]
  本稿では,適応的およびパーソナライズされたフィードバック,構造化コース生成,教科書知識検索を組み合わせた,新しいマルチエージェントAI学習プラットフォームを提案する。 このシステムにより、学生は新しいトピックを学習し、弱点を特定し、ターゲティングし、試験を効果的に修正し、無制限にパーソナライズされたエクササイズを実践することができる。
  論文  参考訳（メタデータ） (2025-07-14T20:35:16Z)
• Integrating Cognitive AI with Generative Models for Enhanced Question Answering in Skill-based Learning [3.187381965457262]
  本稿では,認知AIと生成AIを融合してこれらの課題に対処する手法を提案する。 我々は、構造化知識表現、TMK(Task-Method-Knowledge)モデルを用いて、オンライン知識ベースのAIコースで教えられたスキルをエンコードする。
  論文  参考訳（メタデータ） (2024-07-28T04:21:22Z)
• Transferring Domain Knowledge with (X)AI-Based Learning Systems [3.0059120458540383]
  説明可能な人工知能(XAI)は、従来、ブラックボックス人工知能システムを解釈するために用いられてきた。 X)AIシステムは、専門家の過去の判断に基づいて訓練され、実例と説明を提供することで初心者を教えるために使用される。 我々は,(X)AIに基づく学習システムが初心者の学習を誘導し,その認知スタイルが中等学習であることを示す。
  論文  参考訳（メタデータ） (2024-06-03T13:56:30Z)
• Toward enriched Cognitive Learning with XAI [44.99833362998488]
  本稿では,人工知能(AI)ツールによる認知学習のためのインテリジェントシステム(CL-XAI)を提案する。 CL-XAIの使用は、学習者が問題解決スキルを高めるために問題に取り組むゲームインスパイアされた仮想ユースケースで説明される。
  論文  参考訳（メタデータ） (2023-12-19T16:13:47Z)
• Towards Human Cognition Level-based Experiment Design for Counterfactual Explanations (XAI) [68.8204255655161]
  XAI研究の重点は、より理解を深めるために、より実践的な説明アプローチに変わったようだ。 認知科学研究がXAIの進歩に大きく影響を与える可能性のある領域は、ユーザの知識とフィードバックを評価することである。 本研究では,異なる認知レベルの理解に基づく説明の生成と評価を実験する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-31T19:20:22Z)
• Modelling Assessment Rubrics through Bayesian Networks: a Pragmatic Approach [40.06500618820166]
  本稿では,学習者モデルを直接評価ルーリックから導出する手法を提案する。 本稿では,コンピュータ思考のスキルをテストするために開発された活動の人的評価を自動化するために,この手法を適用する方法について述べる。
  論文  参考訳（メタデータ） (2022-09-07T10:09:12Z)
• Teachable Reinforcement Learning via Advice Distillation [161.43457947665073]
  外部教師が提供した構造化アドバイスから学習する「教育可能な」意思決定システムに基づく対話型学習のための新しい指導パラダイムを提案する。 我々は、アドバイスから学ぶエージェントが、標準的な強化学習アルゴリズムよりも人的監督力の少ない新しいスキルを習得できることを示す。
  論文  参考訳（メタデータ） (2022-03-19T03:22:57Z)
• Decision Rule Elicitation for Domain Adaptation [93.02675868486932]
  ヒトインザループ機械学習は、専門家からラベルを引き出すために人工知能(AI)で広く使用されています。 この作業では、専門家が意思決定を説明する決定ルールを作成できるようにします。 決定規則の適用はアルゴリズムのドメイン適応を改善し、専門家の知識をAIモデルに広めるのに役立つことを示す。
  論文  参考訳（メタデータ） (2021-02-23T08:07:22Z)
• Distributed and Democratized Learning: Philosophy and Research Challenges [80.39805582015133]
  民主化学習(Dem-AI)という新しいデザイン哲学を提案する。 ヒトの社会的グループに触発され、提案されたDem-AIシステムの学習エージェントの専門グループは階層構造で自己組織化され、より効率的に学習タスクを遂行する。 本稿では,様々な学際分野に触発された未来のDem-AIシステムを実現するためのガイドラインとして,参照設計を提案する。
  論文  参考訳（メタデータ） (2020-03-18T08:45:10Z)

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。