論文の概要: ExpertAgent: Enhancing Personalized Education through Dynamic Planning and Retrieval-Augmented Long-Chain Reasoning

• arxiv url: http://arxiv.org/abs/2510.07456v1
• Date: Wed, 08 Oct 2025 19:03:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.678558
• Title: ExpertAgent: Enhancing Personalized Education through Dynamic Planning and Retrieval-Augmented Long-Chain Reasoning
• Title（参考訳）: ExpertAgent:ダイナミックプランニングと検索強化長鎖推論によるパーソナライズ教育の強化
• Authors: Binrong Zhu, Guiran Liu, Nina Jiang,
• Abstract要約: ExpertAgentは、パーソナライズされた教育のために設計されたインテリジェントエージェントフレームワークである。 信頼できる知識を提供し、高度に適応的な学習体験を可能にする。 すべてのインストラクショナルコンテンツは、検証済みのカリキュラムリポジトリに基盤を置いています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The application of advanced generative artificial intelligence in education is often constrained by the lack of real-time adaptability, personalization, and reliability of the content. To address these challenges, we propose ExpertAgent - an intelligent agent framework designed for personalized education that provides reliable knowledge and enables highly adaptive learning experiences. Therefore, we developed ExpertAgent, an innovative learning agent that provides users with a proactive and personalized learning experience. ExpertAgent dynamic planning of the learning content and strategy based on a continuously updated student model. Therefore, overcoming the limitations of traditional static learning content to provide optimized teaching strategies and learning experience in real time. All instructional content is grounded in a validated curriculum repository, effectively reducing hallucination risks in large language models and improving reliability and trustworthiness.
• Abstract（参考訳）: 先進的な生成人工知能の教育への応用は、リアルタイム適応性、パーソナライゼーション、コンテンツの信頼性の欠如によって制約されることが多い。 これらの課題に対処するために、我々は、信頼できる知識を提供し、高度に適応的な学習体験を可能にするパーソナライズされた教育用に設計されたインテリジェントエージェントフレームワークであるExpertAgentを提案する。 そこで我々は,ユーザに対して積極的でパーソナライズされた学習体験を提供する革新的な学習エージェントであるExpertAgentを開発した。 継続的に更新された学生モデルに基づく学習内容と戦略の動的計画 そのため、従来の静的学習コンテンツの制限を克服し、最適化された教育戦略と学習経験をリアルタイムで提供する。 すべての教育内容は、検証済みのカリキュラムリポジトリに基盤を置いており、大きな言語モデルの幻覚リスクを効果的に低減し、信頼性と信頼性を改善している。

関連論文リスト

• Building Self-Evolving Agents via Experience-Driven Lifelong Learning: A Framework and Benchmark [57.59000694149105]
  本稿では、自己進化エージェントを構築するためのフレームワークである、経験駆動型生涯学習(ELL)を紹介する。 ELLは、Experience Exploration、Long-term Memory、Skill Learning、Knowledge Internalizationの4つのコア原則に基づいて構築されている。 また、学生の総合的な大学旅行をシミュレートするELLのベンチマークデータセットであるStuLifeを紹介した。
  論文  参考訳（メタデータ） (2025-08-26T13:04:28Z)
• Investigating Pedagogical Teacher and Student LLM Agents: Genetic Adaptation Meets Retrieval Augmented Generation Across Learning Style [16.985943868964394]
  効果的な教育には、学生の多様な認知的・行動的プロファイルに対応するために教育戦略を適用する必要がある。 本稿では,異種学生エージェントを自己最適化型教師エージェントと統合する新しいシミュレーションフレームワークを提案する。 本研究は,データ駆動環境下での人間教育者を訓練するためのテストベッドの提供を目的として,LLMによるシミュレーションの可能性を強調した。
  論文  参考訳（メタデータ） (2025-05-25T14:45:35Z)
• LifelongAgentBench: Evaluating LLM Agents as Lifelong Learners [51.518410910148816]
  しかし、現在の大規模言語モデル(LLM)ベースのエージェントは、状態のままであり、時間とともに知識を蓄積または転送することができない。 LLMエージェントの生涯学習能力を体系的に評価するために設計された最初の統合ベンチマークであるLifelongAgentBenchを紹介する。
  論文  参考訳（メタデータ） (2025-05-17T10:09:11Z)
• 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)
• "Flipped" University: LLM-Assisted Lifelong Learning Environment [1.0742675209112622]
  本稿では,Large Language Models (LLM) が支援する自己構築型生涯学習環境の概念的枠組みを提案する。 提案する枠組みは、制度化された教育からパーソナライズされた自己駆動型学習への転換を強調する。 この論文は、グローバルな知識の整合性を支援することに焦点を当て、教育機関の「華やかな」大学への進化を構想している。
  論文  参考訳（メタデータ） (2024-09-02T13:27:36Z)

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。