論文の概要: Modeling Collaborative Problem Solving Dynamics from Group Discourse: A Text-Mining Approach with Synergy Degree Model

• arxiv url: http://arxiv.org/abs/2512.13061v1
• Date: Mon, 15 Dec 2025 07:43:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.574949
• Title: Modeling Collaborative Problem Solving Dynamics from Group Discourse: A Text-Mining Approach with Synergy Degree Model
• Title（参考訳）: 群談話からの協調的問題解決ダイナミクスのモデル化:相乗的Degreeモデルを用いたテキストマイニング手法
• Authors: Jianjun Xiao, Cixiao Wang, Wenmei Zhang,
• Abstract要約: 本研究では,グループ通信からCPSのシナジーを定量化するために,自動談話分析をSynergy Degree Model(SDM)と統合する計算フレームワークを提案する。 5週間のコネクティビストMOOC(cMOOC)活動において,12グループ52人の学習者からデータを収集した。 発見はコラボレーションのセンシティブな指標としてシナジー学位を確立し、AI-in-the-loopアプローチによるきめ細かいCPS分析のスケールアップの可能性を示す。
• 参考スコア（独自算出の注目度）: 0.14705219137930792
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Measuring collaborative problem solving (CPS) synergy remains challenging in learning analytics, as classical manual coding cannot capture emergent system-level dynamics. This study introduces a computational framework that integrates automated discourse analysis with the Synergy Degree Model (SDM) to quantify CPS synergy from group communication. Data were collected from 52 learners in 12 groups during a 5-week connectivist MOOC (cMOOC) activity. Nine classification models were applied to automatically identify ten CPS behaviors across four interaction levels: operation, wayfinding, sense-making, and creation. While BERT achieved the highest accuracy, GPT models demonstrated superior precision suitable for human-AI collaborative coding. Within the SDM framework, each interaction level was treated as a subsystem to compute group-level order parameters and derive synergy degrees. Permutation tests showed automated measures preserve construct validity, despite systematic biases at the subsystem level. Statistical analyses revealed significant task-type differences: survey study groups exhibited higher creation-order than mode study groups, suggesting "controlled disorder" may benefit complex problem solving. Importantly, synergy degree distinguished collaborative quality, ranging from excellent to failing groups. Findings establish synergy degree as a sensitive indicator of collaboration and demonstrate the feasibility of scaling fine-grained CPS analytics through AI-in-the-loop approaches.
• Abstract（参考訳）: 古典的手動コーディングは創発的なシステムレベルのダイナミクスを捉えることができないため、協調的問題解決(CPS)のシナジーの測定は分析学習において依然として困難である。 本研究では,グループ通信からCPSのシナジーを定量化するために,自動談話分析をSynergy Degree Model(SDM)と統合する計算フレームワークを提案する。 5週間のコネクティビストMOOC(cMOOC)活動において,12グループ52人の学習者からデータを収集した。 9つの分類モデルを用いて、操作、ウェイフィンディング、センスメイキング、創造の4レベルにわたる10のCPS行動を自動的に識別した。 BERTは高い精度を達成したが、GPTモデルは人間とAIの協調符号化に適した精度を示した。 SDMフレームワーク内では、各相互作用レベルをサブシステムとして扱い、グループレベルの順序パラメータを計算し、シナジー度を導出する。 置換試験では, サブシステムレベルでの系統的バイアスにもかかわらず, 自動測定で構成妥当性が保たれた。 調査グループは、モード研究グループよりも高い作成順序を示し、「制御障害」が複雑な問題解決に役立つことを示唆した。 重要なことに、シナジーは優れたグループから失敗したグループまで、協力的な品質を区別した。 発見はコラボレーションのセンシティブな指標としてシナジー学位を確立し、AI-in-the-loopアプローチによるきめ細かいCPS分析のスケールアップの可能性を示す。

関連論文リスト

• Deep Reinforcement Learning for Multi-Agent Coordination [8.250169938213558]
  本稿では,仮想フェロモンを用いて局所的・社会的相互作用をモデル化するS-MADRL(Stigmergic Multi-Agent Deep Reinforcement Learning)フレームワークを提案する。 我々は,ロボットが非対称な作業負荷分布に自己組織化される,最大8つのエージェントの最も効果的な協調を実現していることを示す。 この創発的行動は、自然界で観察される戦略に類似しており、混雑した環境下での分散マルチエージェント協調のためのスケーラブルなソリューションを示している。
  論文  参考訳（メタデータ） (2025-10-04T00:47:20Z)
• AGORA: Incentivizing Group Emergence Capability in LLMs via Group Distillation [3.521097198612099]
  複雑な推論のための新しいスケーリング軸として構造化相互作用を提案する。 我々の自己進化フレームワークであるAGORAは、最先端のモノリシックシステムを超える推論性能を実現するための協調的なアンサンブルを可能にします。
  論文  参考訳（メタデータ） (2025-07-25T13:05:01Z)
• Policy Search, Retrieval, and Composition via Task Similarity in Collaborative Agentic Systems [12.471774408499817]
  Agentic AIの目的は、自身の目標を設定し、変化に積極的に適応し、継続的な経験を通じて振る舞いを洗練するシステムを作ることだ。 最近の進歩は、複数の予期せぬタスクに直面している場合、エージェントは他のエージェントによって既に完全にあるいは部分的に学習されている機械学習の知識と再利用のポリシーを共有することの恩恵を受ける可能性があることを示唆している。 本研究は,エージェントが選択すべき知識,誰から,いつ,どのように,それを独自の政策に統合して,自身の学習を加速するかを検討する。
  論文  参考訳（メタデータ） (2025-06-05T20:38:11Z)
• Benchmarking LLMs' Swarm intelligence [51.648605206159125]
  大規模言語モデル(LLM)は複雑な推論の可能性を秘めているが、マルチエージェントシステム(MAS)における創発的協調の能力はほとんど探索されていない。 分散エージェントとして機能するLDMのタスクを体系的に評価する新しいベンチマークであるSwarmBenchを紹介する。 本稿では,協調効率の指標を提案し,創発的グループダイナミクスを解析する。
  論文  参考訳（メタデータ） (2025-05-07T12:32:01Z)
• Rethinking the Potential of Multimodality in Collaborative Problem Solving Diagnosis with Large Language Models [0.562479170374811]
  マルチモーダルデータと高度なモデルは、複雑なCPSの振る舞いを検出する可能性があると主張されている。 78人の中学生のCPSサブスキルと指標の診断におけるモデル性能向上のためのマルチモーダルデータの有用性について検討した。
  論文  参考訳（メタデータ） (2025-04-21T13:25:55Z)
• Multi-Agent Sampling: Scaling Inference Compute for Data Synthesis with Tree Search-Based Agentic Collaboration [81.45763823762682]
  本研究の目的は,マルチエージェントサンプリングによるデータ合成の問題を調べることでギャップを埋めることである。 逐次サンプリングプロセス中にワークフローが反復的に進化する木探索に基づくオーケストレーションエージェント(TOA)を紹介する。 アライメント、機械翻訳、数学的推論に関する実験は、マルチエージェントサンプリングが推論計算スケールとしてシングルエージェントサンプリングを著しく上回ることを示した。
  論文  参考訳（メタデータ） (2024-12-22T15:16:44Z)
• Discover, Explanation, Improvement: An Automatic Slice Detection Framework for Natural Language Processing [72.14557106085284]
  スライス検出モデル(SDM)は、データポイントの低パフォーマンスなグループを自動的に識別する。 本稿では,NLPタスクの分類のための "Discover, Explain, improve (DEIM)" というベンチマークを提案する。 評価の結果,Edisaは情報的セマンティックな特徴を持つ誤り発生データポイントを正確に選択できることがわかった。
  論文  参考訳（メタデータ） (2022-11-08T19:00:00Z)
• An Artificial Intelligence driven Learning Analytics Method to Examine the Collaborative Problem solving Process from a Complex Adaptive Systems Perspective [0.7450115015150832]
  協調問題解決(CPS)は、学生グループが学習タスクを完了し、知識を構築し、問題を解決することを可能にする。 従来の研究は、CPSの複雑さ、多モード性、ダイナミクス、シナジーなどを調べることの重要性を論じてきた。 本研究は、オンラインインタラクション設定におけるCPSの性質を理解するために、マルチモーダルプロセスとパフォーマンスデータを収集した。
  論文  参考訳（メタデータ） (2022-10-28T11:13:05Z)

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。