論文の概要: Personalized Multimodal Feedback Using Multiple External Representations: Strategy Profiles and Learning in High School Physics
- arxiv url: http://arxiv.org/abs/2601.09470v1
- Date: Wed, 14 Jan 2026 13:25:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-15 18:59:20.412835
- Title: Personalized Multimodal Feedback Using Multiple External Representations: Strategy Profiles and Learning in High School Physics
- Title（参考訳）: 複数の外部表現を用いたパーソナライズされたマルチモーダルフィードバック:高校物理学における戦略プロファイルと学習
- Authors: Natalia Revenga-Lozano, Karina E. Avila, Steffen Steinert, Matthias Schweinberger, Clara E. Gómez-Pérez, Jochen Kuhn, Stefan Küchemann,
- Abstract要約: 複数の外部表現(MER)とパーソナライズされたフィードバックは物理学習を支援するが、パーソナライズされたフィードバックがMERを効果的に統合する方法の証拠は限られている。
16～24週間の高校理科における観察研究を,言語,図形,数学的形態の検証と入念なフィードバックを提供するコンピュータベースプラットフォームを用いて行った。
- 参考スコア（独自算出の注目度）: 0.11726720776908518
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multiple external representations (MERs) and personalized feedback support physics learning, yet evidence on how personalized feedback can effectively integrate MERs remains limited. This question is particularly timely given the emergence of multimodal large language models. We conducted a 16-24 week observational study in high school physics (N=661) using a computer-based platform that provided verification and optional elaborated feedback in verbal, graphical and mathematical forms. Linear mixed-effects models and strategy-cluster analyses (ANCOVA-adjusted comparisons) tested associations between feedback use and post-test performance and moderation by representational competence. Elaborated multirepresentational feedback showed a small but consistent positive association with post-test scores independent of prior knowledge and confidence. Learners adopted distinct representation-selection strategies; among students with lower representational competence, using a diverse set of representations related to higher learning, whereas this advantage diminished as competence increased. These findings motivate adaptive feedback designs and inform intelligent tutoring systems capable of tailoring feedback elaboration and representational format to learner profiles, advancing personalized instruction in physics education.
- Abstract（参考訳）: 複数の外部表現(MER)とパーソナライズされたフィードバックは物理学習を支援するが、パーソナライズされたフィードバックがMERを効果的に統合する方法の証拠は限られている。
この問題は、特にマルチモーダルな大規模言語モデルの出現を考えると、タイムリーである。
16～24週間の高次物理学(N=661)の観察研究を,言語,グラフィカル,数学的形態の検証と入念なフィードバックを提供するコンピュータベースプラットフォームを用いて行った。
線形混合効果モデルと戦略クラスタ分析(ANCOVA調整比較)は、フィードバック利用とポストテスト性能と表現能力によるモデレーションの関係を検証した。
実験による多表現的フィードバックは, 先行知識と信頼とは無関係に, テスト後のスコアと小さいが一貫した正の相関を示した。
学習者は、表現能力の低い学生の間で、高等教育に関連する表現の多様なセットを用いて表現選択戦略を採用したが、能力の増大とともにこの優位性は低下した。
これらの知見は、適応的なフィードバック設計を動機付け、フィードバックの調整や表現形式を学習者プロファイルにカスタマイズし、物理教育におけるパーソナライズされた指導を推進できる知的学習システムに通知する。
関連論文リスト
- AgentTutor: Empowering Personalized Learning with Multi-Turn Interactive Teaching in Intelligent Education Systems [11.202091624300062]
AgentTutorは、パーソナライズされた学習を促進する多ターンインタラクティブな知的教育システムである。
LLMを利用した生成型マルチエージェントシステムと学習者固有の学習プロファイル環境を備えている。
カリキュラムの分解、学習者評価、動的戦略、リフレクションの指導、知識と経験記憶の5つの重要なモジュールが含まれている。
論文 参考訳（メタデータ） (2025-12-24T12:26:28Z) - Learning from Natural Language Feedback for Personalized Question Answering [21.115495457454365]
パーソナライゼーションは、言語技術の有効性とユーザ満足度を高めるために不可欠である。
大規模言語モデル(LLM)をパーソナライズするための現在のアプローチは、しばしば検索強化世代(RAG)に依存している。
我々は、スカラー報酬を自然言語フィードバック(NLF)に置き換える、パーソナライズされた応答生成のための新しいフレームワークであるVacを紹介する。
論文 参考訳（メタデータ） (2025-08-14T14:36:53Z) - SEFL: Enhancing Educational Assignment Feedback with LLM Agents [5.191286314473505]
Synthetic Educational Feedback Loops (SEFL) は、オンデマンドの即時フィードバックに似たデータを生成するために設計された合成データフレームワークである。
このタイプのデータを得るために、2つの大きな言語モデル (LLM) は、課題完了と形式的フィードバックをシミュレートするために教師と学生の役割で機能する。
フィードバック品質と既存のベースラインの両面において,SEFL調整モデルの方が優れていることを示す。
論文 参考訳（メタデータ） (2025-02-18T15:09:29Z) - Enhancing Large Vision Language Models with Self-Training on Image Comprehension [131.14381425260706]
本稿では、画像理解に特化して自己学習アプローチを強調する自己学習 on Image (STIC)を紹介する。
まず、ラベルのない画像を用いて、画像記述の好みを自己構築する。
抽出した視覚情報に対する推論をさらに自己改善するため,既存の命令調整データのごく一部をモデルに再利用する。
論文 参考訳（メタデータ） (2024-05-30T05:53:49Z) - DETAIL: Task DEmonsTration Attribution for Interpretable In-context Learning [75.68193159293425]
インコンテキスト学習(ICL)により、トランスフォーマーベースの言語モデルでは、パラメータを更新することなく、いくつかの"タスクデモ"で特定のタスクを学習することができる。
ICLの特徴に対処する影響関数に基づく帰属手法DETAILを提案する。
ホワイトボックスモデルで得られた属性スコアがブラックボックスモデルに転送可能であることを示すことにより、モデル性能を向上させる上で、DETAILの広範な適用性を実験的に証明する。
論文 参考訳（メタデータ） (2024-05-22T15:52:52Z) - Efficient Multi-Model Fusion with Adversarial Complementary Representation Learning [26.393644289860084]
単一モデルシステムは、話者検証(SV)や画像分類といったタスクにおいて、しばしば欠陥に悩まされる。
本稿では、新たに訓練されたモデルが以前取得した知識を回避できる逆相補表現学習(ACoRL)フレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-24T07:47:55Z) - Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning [80.44084021062105]
本稿では,非方向エッジで連結された2つの潜在結合変数を特徴とする,多モーダルデータに対する新しい潜在部分因果モデルを提案する。
特定の統計的仮定の下では、多モーダル・コントラッシブ・ラーニングによって学習された表現が、自明な変換までの潜在結合変数に対応することを示す。
事前トレーニングされたCLIPモデルの実験は、非絡み合った表現を具現化し、数ショットの学習を可能にし、さまざまな現実世界のデータセットにわたるドメインの一般化を改善する。
論文 参考訳（メタデータ） (2024-02-09T07:18:06Z) - UniDiff: Advancing Vision-Language Models with Generative and
Discriminative Learning [86.91893533388628]
本稿では、画像テキストコントラスト学習(ITC)、テキスト条件付き画像合成学習(IS)、相互意味整合性モデリング(RSC)を統合した統合マルチモーダルモデルUniDiffを提案する。
UniDiffはマルチモーダル理解と生成タスクの両方において汎用性を示す。
論文 参考訳（メタデータ） (2023-06-01T15:39:38Z) - Explainable Recommender Systems via Resolving Learning Representations [57.24565012731325]
説明はユーザー体験を改善し、システムの欠陥を発見するのに役立つ。
本稿では,表現学習プロセスの透明性を向上させることによって,説明可能な新しい推薦モデルを提案する。
論文 参考訳（メタデータ） (2020-08-21T05:30:48Z)
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。