論文の概要: Designing and Evaluating Hint Generation Systems for Science Education

• arxiv url: http://arxiv.org/abs/2510.21087v1
• Date: Fri, 24 Oct 2025 02:00:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 06:57:23.373409
• Title: Designing and Evaluating Hint Generation Systems for Science Education
• Title（参考訳）: 理科教育のためのヒント生成システムの設計と評価
• Authors: Anubhav Jangra, Smaranda Muresan,
• Abstract要約: 本研究では,学習内容への積極的関与を促進するための教育戦略としてのヒント自動生成の役割について検討する。 静的なヒント,各問題に対する事前生成,学習者の進行に適応した動的ヒントの2つの異なるヒント戦略を比較した。
• 参考スコア（独自算出の注目度）: 21.96985881818661
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models are influencing the education landscape, with students relying on them in their learning process. Often implemented using general-purpose models, these systems are likely to give away the answers, which could hinder conceptual understanding and critical thinking. We study the role of automatic hint generation as a pedagogical strategy to promote active engagement with the learning content, while guiding learners toward the answers. Focusing on scientific topics at the secondary education level, we explore the potential of large language models to generate chains of hints that scaffold learners without revealing answers. We compare two distinct hinting strategies: static hints, pre-generated for each problem, and dynamic hints, adapted to learners' progress. Through a quantitative study with 41 participants, we uncover different preferences among learners with respect to hinting strategies, and identify the limitations of automatic evaluation metrics to capture them. Our findings highlight key design considerations for future research on hint generation and intelligent tutoring systems that seek to develop learner-centered educational technologies.
• Abstract（参考訳）: 大規模な言語モデルが教育の景観に影響を与えており、学生は学習過程においてそれらに依存している。 多くの場合、汎用モデルを用いて実装されるが、これらのシステムは、概念的理解と批判的思考を妨げる可能性のある答えを与える可能性が高い。 本研究では,学習者の学習内容への積極的関与を促進するための教育戦略としてのヒント自動生成の役割について検討する。 本研究では,中等教育レベルでの科学的な話題に焦点をあてて,大規模言語モデルの可能性を探究する。 静的なヒント,各問題に対する事前生成,学習者の進行に適応した動的ヒントの2つの異なるヒント戦略を比較した。 41名の被験者を対象とした定量的研究により,学習者間でのヒント付け戦略に対する嗜好の相違を明らかにするとともに,自動評価指標の限界を把握した。 本研究は,学習者中心の教育技術開発を目指すヒント生成システムと知的学習システムに関する今後の研究における重要な設計上の考察を明らかにするものである。

関連論文リスト

• Unveiling the Learning Mind of Language Models: A Cognitive Framework and Empirical Study [50.065744358362345]
  大規模言語モデル(LLM)は、数学、コーディング、推論といったタスクにまたがる印象的な機能を示している。 しかし、彼らの学習能力は、動的環境に適応し、新しい知識を得るのに不可欠であり、まだ過小評価されていない。
  論文  参考訳（メタデータ） (2025-06-16T13:24:50Z)
• Machine Learning: a Lecture Note [51.31735291774885]
  この講義ノートは、データサイエンスの初等生と博士課程の学生、あるいは機械学習の基礎的アイデアに関する規律を準備することを目的としている。 それは、機械学習の基本的なアイデアから始まり、分類を主なターゲットタスクとする。 これらの基本的な考え方に基づいて、講義ノートは教師なし学習に対する確率論的アプローチを深く探求する。
  論文  参考訳（メタデータ） (2025-05-06T16:03:41Z)
• YouLeQD: Decoding the Cognitive Complexity of Questions and Engagement in Online Educational Videos from Learners' Perspectives [1.2084539012992408]
  YouLeQDデータセットには、YouTubeの講義ビデオコメントから学習者が提示した質問が含まれている。 質問を検知し,その認知的複雑性を分析するために,RoBERTaに基づく2つの分類モデルを開発した。
  論文  参考訳（メタデータ） (2025-01-20T19:54:38Z)
• Navigating the Landscape of Hint Generation Research: From the Past to the Future [34.47999708205151]
  本稿では,学習研究と認知科学のギャップを埋めることを目的として,ヒント生成に関する先行研究のレビューを行う。 本稿では,ヒント生成タスクの形式的定義を提案し,効果的なヒント生成システム構築のロードマップについて論じる。
  論文  参考訳（メタデータ） (2024-04-06T20:42:46Z)
• Scaffolding Language Learning via Multi-modal Tutoring Systems with Pedagogical Instructions [34.760230622675365]
  知的家庭教師システム(ITS)は、人間の家庭教師を模倣し、学習者にカスタマイズされた指導やフィードバックを提供することを目的としている。 生成人工知能の出現に伴い、大規模言語モデル(LLM)は、複雑な会話の相互作用をシステムに付与する。 教育指導がITSの足場形成をいかに促進するかを,子どもに言語学習のための画像記述を指導するケーススタディにより検討した。
  論文  参考訳（メタデータ） (2024-04-04T13:22:28Z)
• Enhancing Generative Class Incremental Learning Performance with Model Forgetting Approach [50.36650300087987]
  本研究は, ジェネレーティブ・クラス・インクリメンタル・ラーニング(GCIL, Generative Class Incremental Learning)への新たなアプローチを提案する。 我々は, 忘れる機構の統合により, 新たな知識獲得におけるモデルの性能が著しく向上することを発見した。
  論文  参考訳（メタデータ） (2024-03-27T05:10:38Z)
• Integrating AI and Learning Analytics for Data-Driven Pedagogical Decisions and Personalized Interventions in Education [0.2812395851874055]
  本研究では,革新的な学習分析ツールの概念化,開発,展開について検討する。 学生のストレスレベル、好奇心、混乱、扇動、トピックの嗜好、学習方法などの重要なデータポイントを分析し、学習環境の総合的なビューを提供する。 この研究は、パーソナライズされたデータ駆動型教育を形成する上で、AIが果たす役割を浮き彫りにする。
  論文  参考訳（メタデータ） (2023-12-15T06:00:26Z)
• Re-Reading Improves Reasoning in Large Language Models [87.46256176508376]
  既成のLarge Language Models (LLM) の推論能力を高めるため, 単純で汎用的で効果的なプロンプト手法であるRe2を導入する。 CoT (Chain-of-Thought) など、ほとんどの思考を刺激する手法とは異なり、Re2 は質問を2回処理することで入力に焦点を移し、理解プロセスを強化する。 提案手法の有効性と汎用性を検証するため,14のデータセットにまたがる広範囲な推論ベンチマークでRe2を評価した。
  論文  参考訳（メタデータ） (2023-09-12T14:36:23Z)
• 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)

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。