論文の概要: A Closed-Loop Personalized Learning Agent Integrating Neural Cognitive Diagnosis, Bounded-Ability Adaptive Testing, and LLM-Driven Feedback

• arxiv url: http://arxiv.org/abs/2510.22559v1
• Date: Sun, 26 Oct 2025 07:32:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.245996
• Title: A Closed-Loop Personalized Learning Agent Integrating Neural Cognitive Diagnosis, Bounded-Ability Adaptive Testing, and LLM-Driven Feedback
• Title（参考訳）: ニューラル認知診断、境界能力適応テスト、LLM駆動フィードバックを統合した閉ループパーソナライズドラーニングエージェント
• Authors: Zhifeng Wang, Xinyue Zheng, Chunyan Zeng,
• Abstract要約: 本稿では,ニューラル認知診断モデル(NCD),境界能力コンピュータ適応テスト戦略(BECAT),大規模言語モデル(LLM)を統合するエンド・ツー・エンドの個別学習エージェントを提案する。 ASSISTmentsデータセットの実験では、NCDモジュールは解釈可能なマスタリーアセスメントを出力しながら応答予測において高い性能を達成する。 全体としては,提案した設計は効果的かつ実用的に展開可能であることを示唆している。
• 参考スコア（独自算出の注目度）: 5.190121417265426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As information technology advances, education is moving from one-size-fits-all instruction toward personalized learning. However, most methods handle modeling, item selection, and feedback in isolation rather than as a closed loop. This leads to coarse or opaque student models, assumption-bound adaptivity that ignores diagnostic posteriors, and generic, non-actionable feedback. To address these limitations, this paper presents an end-to-end personalized learning agent, EduLoop-Agent, which integrates a Neural Cognitive Diagnosis model (NCD), a Bounded-Ability Estimation Computerized Adaptive Testing strategy (BECAT), and large language models (LLMs). The NCD module provides fine-grained estimates of students' mastery at the knowledge-point level; BECAT dynamically selects subsequent items to maximize relevance and learning efficiency; and LLMs convert diagnostic signals into structured, actionable feedback. Together, these components form a closed-loop framework of ``Diagnosis--Recommendation--Feedback.'' Experiments on the ASSISTments dataset show that the NCD module achieves strong performance on response prediction while yielding interpretable mastery assessments. The adaptive recommendation strategy improves item relevance and personalization, and the LLM-based feedback offers targeted study guidance aligned with identified weaknesses. Overall, the results indicate that the proposed design is effective and practically deployable, providing a feasible pathway to generating individualized learning trajectories in intelligent education.
• Abstract（参考訳）: 情報技術が進歩するにつれて、教育は一大の教育からパーソナライズされた学習へと移行しつつある。 しかし、ほとんどのメソッドはクローズドループとしてではなく、モデリング、アイテムの選択、フィードバックを分離して扱う。 これは、粗いまたは不透明な学生モデル、診断後部を無視した仮定境界適応性、一般的で非作用的なフィードバックをもたらす。 これらの制約に対処するために、ニューラルネットワーク診断モデル(NCD)、境界能力推定コンピュータ適応テスト戦略(BECAT)、大規模言語モデル(LLM)を統合したエンド・ツー・エンドの個別学習エージェントであるEduLoop-Agentを提案する。 NCDモジュールは、知識ポイントレベルでの生徒の熟達度を詳細に推定し、BECATは、関連性と学習効率を最大化するために、後続の項目を動的に選択し、LCMは診断信号を構造化され実行可能なフィードバックに変換する。 これらのコンポーネントは共に ``Diagnosis--Recommendation--Feedback のクローズドループフレームワークを形成する。 ASSISTmentsデータセットの実験では、NCDモジュールは解釈可能なマスタリーアセスメントを出力しながら、応答予測において高いパフォーマンスを達成することが示されている。 適応的レコメンデーション戦略では項目の関連性やパーソナライゼーションが向上し,LSMに基づくフィードバックでは,特定の弱点に対応する目標学習指導が提供される。 全体として,提案した設計は効果的かつ実用的に展開可能であることが示唆され,知的教育における個別の学習軌跡を生成するための実現可能な経路を提供する。

関連論文リスト

• Generative Data Imputation for Sparse Learner Performance Data Using Generative Adversarial Imputation Networks [3.0800525961862992]
  スキップや不完全な試みによるレスポンスの欠落は、データの疎結合を生み出す。 我々は、GAIN(Generative Adrial Imputation Networks)を用いた生成的計算手法を提案する。 提案手法は3次元のフレームワーク(学習者,質問,試行)を特徴とし,様々な空間レベルを柔軟に調節する。
  論文  参考訳（メタデータ） (2025-03-23T06:11:53Z)
• Wait, that's not an option: LLMs Robustness with Incorrect Multiple-Choice Options [2.1184929769291294]
  本研究は,LLMの命令追従能力と批判的推論とのバランスを評価するための新しいフレームワークを提案する。 トレーニング後のアライメントモデルでは,無効なオプションの選択がデフォルトとなることが多いが,ベースモデルでは,モデルサイズに合わせてスケールするリファリング機能が改善されている。 さらに、同様の指示追従バイアスを示す並列人間の研究を行い、これらのバイアスがアライメントに使用される人間のフィードバックデータセットを通してどのように伝播するかを示唆した。
  論文  参考訳（メタデータ） (2024-08-27T19:27:43Z)
• AdaCBM: An Adaptive Concept Bottleneck Model for Explainable and Accurate Diagnosis [38.16978432272716]
  CLIPやConcept Bottleneck Models(CBM)といったビジョン言語モデルの統合は、ディープニューラルネットワーク(DNN)の決定を説明するための有望なアプローチを提供する。 CLIPは説明可能性とゼロショット分類の両方を提供するが、ジェネリックイメージとテキストデータによる事前トレーニングは、その分類精度と医療画像診断タスクへの適用性を制限する可能性がある。 本稿では, 単純な線形分類システムとして, 幾何学的表現のレンズを通して CBM フレームワークを再検討することによって, 従来と異なるアプローチをとる。
  論文  参考訳（メタデータ） (2024-08-04T11:59:09Z)
• Learn while Unlearn: An Iterative Unlearning Framework for Generative Language Models [52.40798352740857]
  3つのコアコンポーネントで構成されるICU(Iterative Contrastive Unlearning)フレームワークを紹介する。 知識未学習誘導モジュールは、未学習の損失を使用して、特定の知識を除去するためにターゲットとする。 Contrastive Learning Enhancementモジュールは、純粋な未学習の目標に対してモデルの表現力を保持する。 イテレーティブ・アンラーニング・リファインメントモジュールは、進行中の評価と更新を通じて、アンラーニングプロセスを動的に調整する。
  論文  参考訳（メタデータ） (2024-07-25T07:09:35Z)
• Querying Easily Flip-flopped Samples for Deep Active Learning [63.62397322172216]
  アクティブラーニング(英: Active Learning)は、ラベルのないデータを戦略的に選択してクエリすることで、モデルの性能を向上させることを目的とした機械学習パラダイムである。 効果的な選択戦略の1つはモデルの予測の不確実性に基づくもので、サンプルがどの程度情報的であるかの尺度として解釈できる。 本稿では,予測されたラベルの不一致の最小確率として,最小不一致距離(LDM)を提案する。
  論文  参考訳（メタデータ） (2024-01-18T08:12:23Z)
• An interpretable deep learning method for bearing fault diagnosis [12.069344716912843]
  我々は、グラディエント重み付きクラス活性化マッピング(Grad-CAM)可視化を用いた畳み込みニューラルネットワーク(CNN)を用いて、ベアリング障害を分類するための解釈可能なディープラーニング(DL)手法を構築した。 モデル評価過程において,提案手法は特徴量の類似性に応じて,健康図書館から予測ベースサンプルを検索する。
  論文  参考訳（メタデータ） (2023-08-20T15:22:08Z)

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。