論文の概要: Brief but Impactful: How Human Tutoring Interactions Shape Engagement in Online Learning

• arxiv url: http://arxiv.org/abs/2601.09994v1
• Date: Thu, 15 Jan 2026 02:09:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:18.949515
• Title: Brief but Impactful: How Human Tutoring Interactions Shape Engagement in Online Learning
• Title（参考訳）: 簡単だが衝撃的:オンライン学習におけるヒューマン・チュータリング・インタラクションの形状形成の仕方
• Authors: Conrad Borchers, Ashish Gurung, Qinyi Liu, Danielle R. Thomas, Mohammad Khalil, Kenneth R. Koedinger,
• Abstract要約: 本研究では,191人の中学生の教室数学実習の2,075時間から抽出したZoom上での簡単な人間と教師の相互作用について検討した。 混合効果モデルでは、人間-教師の訪問中に、1分間にソリューションステップの成功として測定されたエンゲージメントがより高いことが示される。 教師と学生の対話が最もエンゲージメントを高めているかを特定する分析を作成する。
• 参考スコア（独自算出の注目度）: 1.3597553728687461
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning analytics can guide human tutors to efficiently address motivational barriers to learning that AI systems struggle to support. Students become more engaged when they receive human attention. However, what occurs during short interventions, and when are they most effective? We align student-tutor dialogue transcripts with MATHia tutoring system log data to study brief human-tutor interactions on Zoom drawn from 2,075 hours of 191 middle school students' classroom math practice. Mixed-effect models reveal that engagement, measured as successful solution steps per minute, is higher during a human-tutor visit and remains elevated afterward. Visit length exhibits diminishing returns: engagement rises during and shortly after visits, irrespective of visit length. Timing also matters: later visits yield larger immediate lifts than earlier ones, though an early visit remains important to counteract engagement decline. We create analytics that identify which tutor-student dialogues raise engagement the most. Qualitative analysis reveals that interactions with concrete, stepwise scaffolding with explicit work organization elevate engagement most strongly. We discuss implications for resource-constrained tutoring, prioritizing several brief, well-timed check-ins by a human tutor while ensuring at least one early contact. Our analytics can guide the prioritization of students for support and surface effective tutor moves in real-time.
• Abstract（参考訳）: 学習分析は、AIシステムがサポートに苦しむことを学ぶためのモチベーション障壁を効果的に解決するために、人間の家庭教師を導くことができる。 学生は人間の注意をひくとより熱心になる。 しかし、短時間の介入で何が起こるのか、いつ最も効果があるのか? 我々は,中学生191人の教室数学実習の2,075時間から抽出したZoom上での簡単な人間と教師の対話を,MATHia学習システムログデータと整合させて検討した。 混合効果モデルでは、1分間に解答ステップとして測定されたエンゲージメントが、人間と教師の訪問中に高くなり、その後の上昇が続く。 訪問期間に関わらず、訪問の前後でエンゲージメントが上昇する。 その後の訪問は、以前の訪問よりも大きな即時昇降をもたらすが、エンゲージメントの減少に対処するためには、初期訪問が依然として重要である。 教師と学生の対話が最もエンゲージメントを高めているかを特定する分析を作成する。 質的な分析により、明示的な作業組織による具体的、段階的な足場との相互作用が、エンゲージメントを最も強く高めることが明らかになった。 本稿では,人間教師による短時間のチェックインを優先し,少なくとも1つの早期接触を保証しながら,資源制約による指導の意義について論じる。 我々の分析は、学生の優先順位付けをリアルタイムで支援し、表面的な効果的な家庭教師の動きを導出することができる。

関連論文リスト

• Decoding Student Minds: Leveraging Conversational Agents for Psychological and Learning Analysis [0.15293427903448018]
  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。
  論文  参考訳（メタデータ） (2025-12-11T09:06:45Z)
• Reducing Procrastination on Programming Assignments via Optional Early Feedback [1.1458853556386799]
  我々は、プログラミングの課題に関する学術的先制と戦うための介入を設計した。 介入は初期期限で構成されていたが、学生が早期に仕事を提出すれば、追加の自動フィードバックが提供された。 実験の結果,初等部は初等部生の成績が向上しなかったが,初等部生は初等部生の成績が向上し,初等部生の成績が向上した。
  論文  参考訳（メタデータ） (2025-10-16T19:22:12Z)
• Ensembling Large Language Models to Characterize Affective Dynamics in Student-AI Tutor Dialogues [18.497635186707008]
  本研究は、教師対話における大規模感情センシングのための最初のアンサンブル・LLMフレームワークを紹介する。 我々は、PyTutor(AI教師)と、米国の3つの機関における261人の学部生の間で交わされた16,986の会話型ターンの2つのセミメータについて分析した。
  論文  参考訳（メタデータ） (2025-10-13T04:43:56Z)
• IntrEx: A Dataset for Modeling Engagement in Educational Conversations [7.526860155587907]
  IntrExは、教師と学生の交流における興味と期待される興味を示す最初の大きなデータセットである。 我々は、100以上の第二言語学習者による厳密なアノテーションプロセスを採用している。 大規模言語モデル(LLM)が人間の興味ある判断を予測できるかどうかを検討する。
  論文  参考訳（メタデータ） (2025-09-08T13:07:35Z)
• Exploring LLMs for Predicting Tutor Strategy and Student Outcomes in Dialogues [48.99818550820575]
  近年の研究では、教師が使う戦略が学生の成績に重大な影響を与えることが示されている。 対話における教師戦略の予測に関する研究は少ない。 本稿では,現代のLLM,特にLlama 3 と GPT-4o を用いて,対話における将来の教師の動きと学生の成果を予測する能力について検討する。
  論文  参考訳（メタデータ） (2025-07-09T14:47:35Z)
• Interactive Dialogue Agents via Reinforcement Learning on Hindsight Regenerations [58.65755268815283]
  多くの実際の対話は対話的であり、つまりエージェントの発話が会話の相手に影響を与えるか、情報を引き出すか、意見を変えるかである。 この事実を利用して、既存の最適データを書き直し、拡張し、オフライン強化学習(RL)を介してトレーニングする。 実際の人間によるユーザ調査の結果、我々のアプローチは既存の最先端の対話エージェントを大きく上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-07T21:37:51Z)
• 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)
• 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)
• Opportunities and Challenges in Neural Dialog Tutoring [54.07241332881601]
  言語学習のための2つの対話学習データセットを用いて、様々な生成言語モデルを厳密に分析する。 現在のアプローチでは、制約のある学習シナリオでチューリングをモデル化できますが、制約の少ないシナリオではパフォーマンスが悪くなります。 人的品質評価では, モデルと接地木アノテーションの両方が, 同等のチュータリングの点で低い性能を示した。
  論文  参考訳（メタデータ） (2023-01-24T11:00:17Z)

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。