論文の概要: What Students Ask, How a Generative AI Assistant Responds: Exploring Higher Education Students' Dialogues on Learning Analytics Feedback
- arxiv url: http://arxiv.org/abs/2601.04919v1
- Date: Thu, 08 Jan 2026 13:17:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-09 17:01:53.214647
- Title: What Students Ask, How a Generative AI Assistant Responds: Exploring Higher Education Students' Dialogues on Learning Analytics Feedback
- Title（参考訳）: 生徒の質問, 生成的AIアシスタントの反応 - 学習分析フィードバックに関する高等教育学生の対話を探る
- Authors: Yildiz Uzun, Andrea Gauthier, Mutlu Cukurova,
- Abstract要約: 学習分析ダッシュボード(LAD)は、複雑なデータをフィードバックに変換することによって、学習の規制を支援することを目的としている。
学生、特に自己統制学習(SRL)能力の低い学生は、分析フィードバックへの関与と解釈に苦慮することが多い。
我々は10週間の学期で学生とGenAIアシスタントがLADに統合された真正の対話について検討した。
- 参考スコア（独自算出の注目度）: 0.3562673545689596
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Learning analytics dashboards (LADs) aim to support students' regulation of learning by translating complex data into feedback. Yet students, especially those with lower self-regulated learning (SRL) competence, often struggle to engage with and interpret analytics feedback. Conversational generative artificial intelligence (GenAI) assistants have shown potential to scaffold this process through real-time, personalised, dialogue-based support. Further advancing this potential, we explored authentic dialogues between students and GenAI assistant integrated into LAD during a 10-week semester. The analysis focused on questions students with different SRL levels posed, the relevance and quality of the assistant's answers, and how students perceived the assistant's role in their learning. Findings revealed distinct query patterns. While low SRL students sought clarification and reassurance, high SRL students queried technical aspects and requested personalised strategies. The assistant provided clear and reliable explanations but limited in personalisation, handling emotionally charged queries, and integrating multiple data points for tailored responses. Findings further extend that GenAI interventions can be especially valuable for low SRL students, offering scaffolding that supports engagement with feedback and narrows gaps with their higher SRL peers. At the same time, students' reflections underscored the importance of trust, need for greater adaptivity, context-awareness, and technical refinement in future systems.
- Abstract（参考訳）: 学習分析ダッシュボード(LAD)は、複雑なデータをフィードバックに変換することによって、学習の規制を支援することを目的としている。
しかし、特に自己統制学習(SRL)能力の低い学生は、分析フィードバックへの関与と解釈に苦慮することが多い。
会話生成人工知能(GenAI)アシスタントは、リアルタイム、パーソナライズされた対話ベースのサポートを通じて、このプロセスを足場にすることができる。
この可能性をさらに推し進めて,10週間の学期において,学生とGenAIアシスタントがLADに統合された真正の対話を探索した。
この分析は、SRLレベルが異なる学生が提示する質問、アシスタントの回答の妥当性と質、そして学習におけるアシスタントの役割を学生がどう感じているかに焦点を当てた。
調査の結果、クエリパターンが明確になった。
低いSRLの学生は明確化と安心を求めたが、高いSRLの学生は技術的な側面について質問し、個人化された戦略を要求した。
アシスタントは明確で信頼性の高い説明を提供したが、パーソナライズ、感情的にチャージされたクエリの処理、調整されたレスポンスのための複数のデータポイントの統合に制限があった。
GenAIの介入は、低学年のSRL学生にとって特に有用であり、フィードバックへの関与とより高いSRL仲間とのギャップを狭める足場を提供する。
同時に、学生のリフレクションは、将来のシステムにおける信頼の重要性、適応性の向上、文脈認識、技術的洗練の必要性を浮き彫りにした。
関連論文リスト
- Mining the Gold: Student-AI Chat Logs as Rich Sources for Automated Knowledge Gap Detection [2.6808104662419097]
大規模な講義では、講師は学生の知識ギャップをタイムリーに識別する上で課題に直面している。
本稿では,学生のチャットログをAIアシスタントで分析することにより,大規模講義における共通知識ギャップを自動的に検出するマルチエージェントLLMフレームワークであるQueryQuiltを提案する。
本評価は,学生間の知識ギャップの同定に100%の精度を達成し,実際の学生とAIの対話データでテストした場合の95%の完全性を示した。
論文 参考訳（メタデータ） (2025-12-26T23:04:04Z) - An Experience Report on a Pedagogically Controlled, Curriculum-Constrained AI Tutor for SE Education [4.976713294177978]
本稿では、RockStartITイニシアチブ内のデジタルプログラミングおよび計算思考コース用に開発されたAIアシスタントであるRockStartIT Tutorの設計とパイロット評価について述べる。
GPT-4をOpenAIのAssistant API経由で提供するこのチューターは、新しいプロンプト戦略と、コンテキスト認識、パーソナライズ、カリキュラムに制約されたサポートを中学生に提供するために、モジュール化されたセマンティックタグ付きナレッジベースを採用している。
論文 参考訳（メタデータ） (2025-12-08T12:54:37Z) - Teaching Language Models To Gather Information Proactively [53.85419549904644]
大規模言語モデル(LLM)は、ますます協力的なパートナーとして機能することが期待されている。
本研究では,アクティブな情報収集という新たなタスクパラダイムを導入する。
キー情報をマスキングする、部分的に特定された現実世界のタスクを生成するスケーラブルなフレームワークを設計する。
このセットアップの中核となるイノベーションは、真に新しい暗黙のユーザー情報を引き出す質問に報酬を与える、強化された微調整戦略です。
論文 参考訳（メタデータ） (2025-07-28T23:50:09Z) - Short-Term Gains, Long-Term Gaps: The Impact of GenAI and Search Technologies on Retention [1.534667887016089]
本研究では,認知複雑性の異なるタスクにおいて,GenAI(ChatGPT),検索エンジン(Google),e-textbooksが学生のパフォーマンスに与える影響について検討した。
ChatGPTとGoogleグループは、低次の認知タスクの即時評価において、コントロールグループを上回った。
AI駆動のツールは即時パフォーマンスを促進するが、構造化学習戦略がサポートしない限り、本質的に長期維持を強化するものではない。
論文 参考訳（メタデータ） (2025-07-10T00:44:50Z) - LLM Agents for Education: Advances and Applications [49.3663528354802]
大規模言語モデル(LLM)エージェントは、タスクの自動化と多様な教育アプリケーションにおけるイノベーションの推進において、顕著な能力を示した。
本調査は、LLMエージェントの総合的技術概要を提供することを目的としており、学習者や教育者のより大きな利益に対する影響を高めるために、さらなる研究と協力を促進することを目的としている。
論文 参考訳（メタデータ） (2025-03-14T11:53:44Z) - How Good is ChatGPT in Giving Adaptive Guidance Using Knowledge Graphs in E-Learning Environments? [0.8999666725996978]
本研究では,動的知識グラフを大規模言語モデル (LLM) と統合し,学習者を支援する手法を提案する。
この手法の中心は、学生がトピックの前提条件を理解する上での知識グラフの役割である。
予備的な知見から, 学生はこの連携支援の恩恵を受け, 理解の向上と課題成果の向上が期待できる。
論文 参考訳（メタデータ） (2024-12-05T04:05:43Z) - Exploring Knowledge Tracing in Tutor-Student Dialogues using LLMs [49.18567856499736]
本研究では,大規模言語モデル(LLM)が対話学習を支援することができるかどうかを検討する。
我々は,学習者の知識レベルを対話全体にわたって追跡するために,ラベル付きデータに知識追跡(KT)手法を適用した。
我々は,2つの学習対話データセットの実験を行い,従来のKT手法よりも学生の反応の正しさを予測できる新しいLCM-based method LLMKTが優れていることを示す。
論文 参考訳（メタデータ） (2024-09-24T22:31:39Z) - BoilerTAI: A Platform for Enhancing Instruction Using Generative AI in Educational Forums [0.0]
本稿では,Generative AI(GenAI)とオンライン教育フォーラムをシームレスに統合する,実用的でスケーラブルなプラットフォームについて述べる。
このプラットフォームは、学生ポストとLarge Language Model(LLM)との対話を円滑に進めることによって、指導スタッフが反応を効率的に管理し、洗練し、承認することを可能にする。
論文 参考訳（メタデータ） (2024-09-20T04:00:30Z) - 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) - Stylistic Dialogue Generation via Information-Guided Reinforcement
Learning Strategy [65.98002918470544]
情報指導強化学習(IG-RL)と呼ばれる新しい学習戦略を導入する。
IG-RLでは、コンテンツ品質の維持を制約しながら、スタイル表現を探索するトレーニングモデルが推奨されている。
これは,品質保存探索のための統計的スタイル情報ガイダンスを用いた強化学習戦略を採用することで達成される。
論文 参考訳（メタデータ） (2020-04-05T13:58:14Z)
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。