論文の概要: ExaCraft: Dynamic Learning Context Adaptation for Personalized Educational Examples

• arxiv url: http://arxiv.org/abs/2512.09931v1
• Date: Wed, 29 Oct 2025 09:55:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-25 16:54:51.422598
• Title: ExaCraft: Dynamic Learning Context Adaptation for Personalized Educational Examples
• Title（参考訳）: ExaCraft: 個人化された教育事例を対象とした動的学習コンテキスト適応
• Authors: Akaash Chatterjee, Suman Kundu,
• Abstract要約: 学習者の動的コンテキストに適応してパーソナライズされたサンプルを生成するAIシステムであるExaCraftを開発した。 私たちのデモでは、ExaCraftの例が基本的な概念から高度な技術実装へとどのように進化していくかを示します。
• 参考スコア（独自算出の注目度）: 4.006506297036669
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Learning is most effective when it's connected to relevant, relatable examples that resonate with learners on a personal level. However, existing educational AI tools don't focus on generating examples or adapting to learners' changing understanding, struggles, or growing skills. We've developed ExaCraft, an AI system that generates personalized examples by adapting to the learner's dynamic context. Through the Google Gemini AI and Python Flask API, accessible via a Chrome extension, ExaCraft combines user-defined profiles (including location, education, profession, and complexity preferences) with real-time analysis of learner behavior. This ensures examples are both culturally relevant and tailored to individual learning needs. The system's core innovation is its ability to adapt to five key aspects of the learning context: indicators of struggle, mastery patterns, topic progression history, session boundaries, and learning progression signals. Our demonstration will show how ExaCraft's examples evolve from basic concepts to advanced technical implementations, responding to topic repetition, regeneration requests, and topic progression patterns in different use cases.
• Abstract（参考訳）: 学習は、個人レベルで学習者と共鳴する関連性があり、関連性のある実例に結びついている場合、最も効果的である。 しかし、既存の教育AIツールは、サンプルの生成や学習者の理解の変化、苦労、成長するスキルへの適応に重点を置いていない。 学習者の動的コンテキストに適応してパーソナライズされたサンプルを生成するAIシステムであるExaCraftを開発した。 Google Gemini AIとPython Flask APIを通じて、Chromeエクステンションを介してアクセスできるExaCraftは、ユーザ定義プロファイル(位置、教育、専門職、複雑性などを含む)と学習者の振る舞いをリアルタイムで分析する。 これにより、サンプルは文化的に関係があり、個々の学習ニーズに合わせて調整される。 システムのコアイノベーションは、闘争の指標、熟達パターン、トピックの進行履歴、セッション境界、学習の進行信号という、学習コンテキストの5つの重要な側面に適応する能力である。 私たちのデモでは、ExaCraftの例が基本的な概念から高度な技術的実装へとどのように進化し、異なるユースケースにおけるトピックの繰り返し、再生要求、トピックの進行パターンに応答するかを示します。

関連論文リスト

• Transparent Adaptive Learning via Data-Centric Multimodal Explainable AI [0.0]
  ほとんどの説明可能なAI(XAI)技術は、技術的なアウトプットに重点を置いているが、ユーザの役割や理解は無視されている。 本稿では,従来のXAI技術と,生成型AIモデルとユーザパーソナライゼーションを統合したハイブリッドフレームワークを提案する。 私たちの目標は、ユーザ中心のエクスペリエンスをサポートしながら透明性を高める、説明可能なAIへの移行です。
  論文  参考訳（メタデータ） (2025-08-01T14:36:16Z)
• 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)
• AI Pedagogy: Dialogic Social Learning for Artificial Agents [0.6553587309274792]
  本研究では,従来のAIトレーニング手法の限界に対処するために,社会的に媒介する学習パラダイムの可能性を探る。 そこで我々は,AI学習者エージェントが,知識のあるAI教師エージェントと教科の教育対話を行う,AIソーシャルガイム(AI Social Gym)と呼ばれる動的環境を導入する。 我々の調査は、異なる教育戦略が、買収の文脈におけるAI学習プロセスにどのように影響するかに焦点を当てている。
  論文  参考訳（メタデータ） (2025-05-25T11:19:48Z)
• Dynamic Skill Adaptation for Large Language Models [78.31322532135272]
  動的スキル適応(Dynamic Skill Adaptation, DSA)は, 言語モデル(LLM)に新しい複雑なスキルを適応させる適応的かつ動的フレームワークである。 各スキルに対して,学習前スキルの詳細な記述を含む教科書的データと,学習前スキルの具体的活用を目標とした演習的データの両方を生成する。 LLAMA や Mistral のような大規模言語モデルを用いた実験は,提案手法が数学推論スキルや社会学習スキルに適応する上で有効であることを示す。
  論文  参考訳（メタデータ） (2024-12-26T22:04:23Z)
• YODA: Teacher-Student Progressive Learning for Language Models [82.0172215948963]
  本稿では,教師が指導するプログレッシブ・ラーニング・フレームワークであるYodaを紹介する。 モデルファインチューニングの有効性を向上させるために,教師の教育過程をエミュレートする。 実験の結果, YODAのデータによるLLaMA2のトレーニングにより, SFTは大幅に向上した。
  論文  参考訳（メタデータ） (2024-01-28T14:32:15Z)
• Auto-ICL: In-Context Learning without Human Supervision [93.05202223767463]
  本稿では,モデルが問題解決のための例と指示を自律的に生成できる自動文脈学習フレームワークを提案する。 さまざまなモデルやデータセットにわたる実験により、結果は、モデル生成コンテキストが人間の注釈付きコンテキストより優れていることを示している。
  論文  参考訳（メタデータ） (2023-11-15T07:37:28Z)
• Comparison and Analysis of New Curriculum Criteria for End-to-End ASR [10.698093106994804]
  カリキュラム学習は、知識の組織的で構造化された同化が、より速いトレーニングとより良い理解を可能にする能力を持つという観察に基づいて構築される。 我々は,自動音声認識の文脈でカリキュラム学習を採用する。 トレーニングセットに構造を付加するため、外部ニューラルネットワークからのフィードバックを利用するか、モデル自体からのフィードバックを取り入れる複数のスコアリング関数を探索した。
  論文  参考訳（メタデータ） (2022-08-10T06:56:58Z)
• The MineRL BASALT Competition on Learning from Human Feedback [58.17897225617566]
  MineRL BASALTコンペティションは、この重要な種類の技術の研究を促進することを目的としている。 Minecraftでは、ハードコードされた報酬関数を書くのが難しいと期待する4つのタスクのスイートを設計しています。 これら4つのタスクのそれぞれについて、人間のデモのデータセットを提供するとともに、模擬学習ベースラインを提供する。
  論文  参考訳（メタデータ） (2021-07-05T12:18:17Z)
• ALICE: Active Learning with Contrastive Natural Language Explanations [69.03658685761538]
  本研究では,学習におけるデータ効率を向上させるために,AlICEを用いたアクティブラーニングを提案する。 ALICEは、まずアクティブラーニングを使用して、最も情報に富んだラベルクラスを選択し、対照的な自然言語の説明を引き出す。 意味的に抽出された知識を用いて、これらの説明から知識を抽出する。
  論文  参考訳（メタデータ） (2020-09-22T01:02:07Z)
• 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。