論文の概要: Decoding Student Minds: Leveraging Conversational Agents for Psychological and Learning Analysis
- arxiv url: http://arxiv.org/abs/2512.10441v1
- Date: Thu, 11 Dec 2025 09:06:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-12 16:15:42.294183
- Title: Decoding Student Minds: Leveraging Conversational Agents for Psychological and Learning Analysis
- Title（参考訳）: 生徒の心をデコードする:心理学・学習分析のための会話エージェントの活用
- Authors: Nour El Houda Ben Chaabene, Hamza Hammami, Laid Kahloul,
- Abstract要約: 本稿では,教育環境における学習性能と感情的幸福感の両立を目的とした,心理的に認知された会話エージェントを提案する。
このシステムは、知識グラフ強化BERT(KG-BERT)と双方向Long Short-Term Memory(LSTM)を組み合わせて、学生の認知的および情緒的状態をリアルタイムで分類する。
- 参考スコア（独自算出の注目度）: 0.15293427903448018
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a psychologically-aware conversational agent designed to enhance both learning performance and emotional well-being in educational settings. The system combines Large Language Models (LLMs), a knowledge graph-enhanced BERT (KG-BERT), and a bidirectional Long Short-Term Memory (LSTM) with attention to classify students' cognitive and affective states in real time. Unlike prior chatbots limited to either tutoring or affective support, our approach leverages multimodal data-including textual semantics, prosodic speech features, and temporal behavioral trends-to infer engagement, stress, and conceptual understanding. A pilot study with university students demonstrated improved motivation, reduced stress, and moderate academic gains compared to baseline methods. These results underline the promise of integrating semantic reasoning, multimodal fusion, and temporal modeling to support adaptive, student-centered educational interventions.
- Abstract（参考訳）: 本稿では,教育環境における学習性能と感情的幸福感の両立を目的とした,心理的に認知された会話エージェントを提案する。
このシステムは、知識グラフ強化BERT(KG-BERT)と双方向Long Short-Term Memory(LSTM)を組み合わせて、学生の認知的および情緒的状態をリアルタイムで分類する。
従来のチャットボットは教師や情緒的支援に限られていたが,本手法では,多モーダルなデータを含むテキスト意味論,韻律的音声特徴,時間的行動傾向(エンゲージメント,ストレス,概念的理解)を活用している。
大学生を対象としたパイロットスタディでは, ベースライン法と比較して, モチベーションの向上, ストレス低減, 学力向上が認められた。
これらの結果は、適応的で学生中心の教育介入を支援するために、意味論的推論、マルチモーダル融合、時間的モデリングを統合するという約束を裏付けるものである。
関連論文リスト
- UCO: A Multi-Turn Interactive Reinforcement Learning Method for Adaptive Teaching with Large Language Models [59.693733170193944]
大規模言語モデル(LLM)は、教育環境において、回答提供者からインテリジェントな家庭教師へとシフトしている。
最近の強化学習アプローチはこの制限に対処するが、2つの重要な課題に直面している。
これらの課題に対処するために一方向認知最適化法(UCO)を提案する。
論文 参考訳（メタデータ） (2025-11-12T01:27:02Z) - OnlineMate: An LLM-Based Multi-Agent Companion System for Cognitive Support in Online Learning [20.08144763551689]
大規模言語モデル(LLM)によって駆動されるマルチエージェント学習支援システムである OnlineMate を提案する。
OnlineMateは、ピアライクなエージェントの役割をシミュレートし、協調的な議論中に学習者の認知状態に適応し、誤解、混乱、モチベーションなどの心理的状態を推測する。
シミュレーション学習シナリオにおける実験結果から,オンライン学習環境における認知的エンゲージメントを高めつつ,オンライン学習と議論を効果的に促進することが示された。
論文 参考訳（メタデータ） (2025-09-18T09:56:45Z) - ChatGPT produces more "lazy" thinkers: Evidence of cognitive engagement decline [0.0]
本研究では,生成型人工知能(AI)ツールが学術書記作業における学生の認知活動に与える影響について検討した。
その結果,ChatGPT群ではコントロール群に比べて認知エンゲージメントスコアが有意に低かった。
これらの結果は、AI支援が認知的オフロードにつながる可能性があることを示唆している。
論文 参考訳（メタデータ） (2025-06-30T18:41:50Z) - Sentiment Analysis in Learning Management Systems Understanding Student Feedback at Scale [0.0]
非言語コミュニケーションの欠如は、教育経験の有効性を低下させる言葉によるフィードバックへの依存につながった。
本稿では,学生と教師のギャップを埋めるために,感情分析を学習管理システム(LMS)に統合することを検討する。
論文 参考訳（メタデータ） (2025-06-05T18:13:07Z) - Dynamic Programming Techniques for Enhancing Cognitive Representation in Knowledge Tracing [125.75923987618977]
認知表現動的プログラミングに基づく知識追跡(CRDP-KT)モデルを提案する。
質問の難易度とそれらの間の性能間隔に基づいて認知表現を最適化する動的プログラミングアルゴリズムである。
これは、その後のモデルトレーニングのためにより正確で体系的な入力機能を提供し、それによって認知状態のシミュレーションにおける歪みを最小限にする。
論文 参考訳（メタデータ） (2025-06-03T14:44:48Z) - Improving Question Embeddings with Cognitive Representation Optimization for Knowledge Tracing [77.14348157016518]
KTモデリングの研究は、既存の未更新の学生の相互作用の記録に基づいて、将来の学生のパフォーマンスを予測することに焦点を当てている。
動的プログラミングアルゴリズムを用いて認知表現の構造を最適化する知識追跡型認知表現最適化(CRO-KT)モデルを提案する。
論文 参考訳（メタデータ） (2025-04-05T09:32:03Z) - Personality-aware Student Simulation for Conversational Intelligent Tutoring Systems [34.760230622675365]
Intelligent Tutoring Systems(ITS)は、パーソナライズされたセルフペースの学習体験を提供する。
大規模言語モデル(LLM)の出現により、より優れた人間と機械の相互作用が可能になる。
LLMは、与えられた言語能力と性格特性に応じて、多様な学生の反応を生成することができる。
論文 参考訳（メタデータ） (2024-04-10T06:03:13Z) - A Hierarchical Regression Chain Framework for Affective Vocal Burst
Recognition [72.36055502078193]
本稿では,声帯からの感情認識のための連鎖回帰モデルに基づく階層的枠組みを提案する。
データスパシティの課題に対処するため、レイヤワイドおよび時間アグリゲーションモジュールを備えた自己教師付き学習(SSL)表現も使用しています。
提案されたシステムは、ACII Affective Vocal Burst (A-VB) Challenge 2022に参加し、「TWO」および「CULTURE」タスクで第1位となった。
論文 参考訳（メタデータ） (2023-03-14T16:08:45Z) - You Impress Me: Dialogue Generation via Mutual Persona Perception [62.89449096369027]
認知科学の研究は、理解が高品質なチャット会話に不可欠なシグナルであることを示唆している。
そこで我々は,P2 Botを提案する。このP2 Botは,理解を明示的にモデル化することを目的とした送信機受信者ベースのフレームワークである。
論文 参考訳（メタデータ） (2020-04-11T12:51:07Z)
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。