論文の概要: IntelliCode: A Multi-Agent LLM Tutoring System with Centralized Learner Modeling
- arxiv url: http://arxiv.org/abs/2512.18669v1
- Date: Sun, 21 Dec 2025 10:07:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-23 18:54:32.446765
- Title: IntelliCode: A Multi-Agent LLM Tutoring System with Centralized Learner Modeling
- Title（参考訳）: IntelliCode: 集中学習モデルを用いたマルチエージェントLLMチューニングシステム
- Authors: Jones David, Shreya Ghosh,
- Abstract要約: 我々は,集中型,バージョン付き学習者状態を中心に構築されたマルチエージェントLLMチューリングシステムであるIntelliCodeを紹介する。
StateGraph Orchestratorは、スキルアセスメント、学習者プロファイリング、卒業ヒント、カリキュラムの選択、空間的反復、エンゲージメント監視の6つの専門エージェントをコーディネートする。
このアーキテクチャは、監査可能なマスタリ更新、熟練度対応ヒント、依存性対応のカリキュラム適応、安全性対応のプロンプトを可能にする。
- 参考スコア（独自算出の注目度）: 2.0467354053171243
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: LLM-based tutors are typically single-turn assistants that lack persistent representations of learner knowledge, making it difficult to provide principled, transparent, and long-term pedagogical support. We introduce IntelliCode, a multi-agent LLM tutoring system built around a centralized, versioned learner state that integrates mastery estimates, misconceptions, review schedules, and engagement signals. A StateGraph Orchestrator coordinates six specialized agents: skill assessment, learner profiling, graduated hinting, curriculum selection, spaced repetition, and engagement monitoring, each operating as a pure transformation over the shared state under a single-writer policy. This architecture enables auditable mastery updates, proficiency-aware hints, dependency-aware curriculum adaptation, and safety-aligned prompting. The demo showcases an end-to-end tutoring workflow: a learner attempts a DSA problem, receives a conceptual hint when stuck, submits a corrected solution, and immediately sees mastery updates and a personalized review interval. We report validation results with simulated learners, showing stable state updates, improved task success with graduated hints, and diverse curriculum coverage. IntelliCode demonstrates how persistent learner modeling, orchestrated multi-agent reasoning, and principled instructional design can be combined to produce transparent and reliable LLM-driven tutoring.
- Abstract（参考訳）: LLMベースのチューターは、典型的にはシングルターンアシスタントであり、学習者の知識の持続的な表現が欠如しており、原則的で透明性があり、長期の教育的支援を提供することが困難である。
我々は,主観的推定,誤解,レビュースケジュール,エンゲージメント信号を統合した,集中型バージョン付き学習状態を中心に構築されたマルチエージェントLLMチューリングシステムであるIntelliCodeを紹介する。
StateGraph Orchestratorは、スキルアセスメント、学習者プロファイリング、卒業ヒント、カリキュラムの選択、空間的反復、エンゲージメント監視の6つの専門エージェントを調整し、それぞれがシングルライターポリシーの下で共有状態上の純粋な変換として動作する。
このアーキテクチャは、監査可能なマスタリ更新、熟練度対応ヒント、依存性対応のカリキュラム適応、安全性対応のプロンプトを可能にする。
学習者はDSA問題を試し、立ち往生した時に概念的なヒントを受け取り、修正されたソリューションを提出し、すぐに熟達した更新とパーソナライズされたレビューインターバルを見ることができる。
シミュレーション学習者による検証結果を報告し、安定した状態更新、改善されたヒントによるタスク成功、多様なカリキュラムカバレッジを示す。
IntelliCodeは、永続的な学習者モデリング、オーケストレーションされたマルチエージェント推論、原則化された命令設計を組み合わせることで、透過的で信頼性の高いLLM駆動型チューリングを実現する方法を実証している。
関連論文リスト
- SlideBot: A Multi-Agent Framework for Generating Informative, Reliable, Multi-Modal Presentations [29.874786844781138]
大規模言語モデル(LLM)は、クイズ生成やコンテンツ要約といったタスクを自動化し、教育において大きな可能性を示している。
既存のLCMベースのソリューションは、信頼性と情報的アウトプットが得られず、教育的価値が制限されることが多い。
SlideBot - LLMを検索、構造化計画、コード生成と統合したモジュラーでマルチエージェントなスライド生成フレームワークである。
論文 参考訳（メタデータ） (2025-11-12T23:12:05Z) - LLM Agents Beyond Utility: An Open-Ended Perspective [50.809163251551894]
我々は、事前訓練されたLLMエージェントを、自身のタスクを生成し、知識を蓄積し、その環境と広範囲に相互作用する能力で強化する。
複雑なマルチステップ命令を確実に追跡し、実行中に情報を保存、再利用し、独自のタスクを提案し、解決することができる。
迅速な設計や反復的なタスク生成に敏感であり、自己表現を形成することができない。
論文 参考訳（メタデータ） (2025-10-16T10:46:54Z) - MLE-Dojo: Interactive Environments for Empowering LLM Agents in Machine Learning Engineering [57.156093929365255]
自律型大規模言語モデル(LLM)エージェントを体系的に強化し、評価し、改善するためのガイムスタイルのフレームワーク。
MLE-Dojoは、現実的なエンジニアリングシナリオを反映した、多様でオープンなMLEタスクを慎重にキュレートする。
完全に実行可能な環境は、教師付き微調整と強化学習の両方を通して包括的なエージェントトレーニングをサポートする。
論文 参考訳（メタデータ） (2025-05-12T17:35:43Z) - Training Turn-by-Turn Verifiers for Dialogue Tutoring Agents: The Curious Case of LLMs as Your Coding Tutors [29.04639728020965]
本稿では,学習者の知識状況とターン・バイ・ターン・バイ・ターン・バリデーションを推定し,タスク完了に向けた効果的な指導を確実にする,新しいエージェントワークフローであるTrace-and-Verify(TRAVER)を提案する。
我々のアプローチはコーディングを超えて拡張することができ、人間のタスク学習のための学習エージェントの進化に関する貴重な洞察を提供する。
論文 参考訳（メタデータ） (2025-02-18T22:13:00Z) - Experiential Co-Learning of Software-Developing Agents [83.34027623428096]
大規模言語モデル(LLM)は、特にソフトウェア開発において、様々な領域に大きな変化をもたらした。
本稿では,新しいLLM学習フレームワークであるExperiential Co-Learningを紹介する。
実験では、このフレームワークにより、エージェントは、目に見えないソフトウェア開発タスクをより効果的に対処できることを示した。
論文 参考訳（メタデータ） (2023-12-28T13:50:42Z) - From Language Modeling to Instruction Following: Understanding the Behavior Shift in LLMs after Instruction Tuning [63.63840740526497]
そこで本研究では,本質的な変化に着目した事前学習モデルの調整方法について検討する。
次に、事前訓練されたモデルと命令調整されたモデルから導かれた説明を比較することで、命令チューニングの影響について研究する。
この結果から,指導指導の3つの重要な影響が明らかになった。
論文 参考訳（メタデータ） (2023-09-30T21:16:05Z) - Empowering Private Tutoring by Chaining Large Language Models [87.76985829144834]
本研究は,最先端の大規模言語モデル(LLM)を活用した,本格的な知的チューリングシステムの開発を探求する。
このシステムは、相互に接続された3つのコアプロセス(相互作用、反射、反応)に分けられる。
各プロセスは LLM ベースのツールと動的に更新されたメモリモジュールによって実装される。
論文 参考訳（メタデータ） (2023-09-15T02:42:03Z)
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。