論文の概要: What Can Student-AI Dialogues Tell Us About Students' Self-Regulated Learning? An exploratory framework

• arxiv url: http://arxiv.org/abs/2601.11576v1
• Date: Tue, 30 Dec 2025 15:50:27 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-01-25 07:06:45.201774
• Title: What Can Student-AI Dialogues Tell Us About Students' Self-Regulated Learning? An exploratory framework
• Title（参考訳）: 学生とAIの対話が学生の自己統制学習について何を教えてくれるか : 探索的枠組み
• Authors: Long Zhang, Fangwei Lin, Weilin Wang,
• Abstract要約: HAICL(Human-AI Collaborative Learning)の台頭は、教育を対話中心のパラダイムへとシフトさせている。 本研究では,学生とAIの対話が,自己統制学習評価のための有効な非中断データソースとして機能するかどうかを検討する。
• 参考スコア（独自算出の注目度）: 2.7367574061168747
• License:
• Abstract: The rise of Human-AI Collaborative Learning (HAICL) is shifting education toward dialogue-centric paradigms, creating an urgent need for new assessment methods. Evaluating Self-Regulated Learning (SRL) in this context presents new challenges, as the limitations of conventional approaches become more apparent. Questionnaires remain interrupted, while the utility of non-interrupted metrics like clickstream data is diminishing as more learning activity occurs within the dialogue. This study therefore investigates whether the student-AI dialogue can serve as a valid, non-interrupted data source for SRL assessment. We analyzed 421 dialogue logs from 98 university students interacting with a generative AI (GenAI) learning partner. Using large language model embeddings and clustering, we identified 22 dialogue patterns and quantified each student's interaction as a profile of alignment scores, which were analyzed against their Online Self-Regulated Learning Questionnaire (OSLQ) scores. Findings revealed a significant positive association between proactive dialogue patterns (e.g., post-class knowledge integration) and overall SRL. Conversely, reactive patterns (e.g., foundational pre-class questions) were significantly and negatively associated with overall SRL and its sub-processes. A group comparison substantiated these results, with low-SRL students showing significantly higher alignment with reactive patterns than their high-SRL counterparts. This study proposed the Dialogue-Based Human-AI Self-Regulated Learning (DHASRL) framework, a practical methodology for embedding SRL assessment directly within the HAICL dialogue to enable real-time monitoring and scaffolding of student regulation.
• Abstract（参考訳）: HAICL(Human-AI Collaborative Learning)の台頭は、教育を対話中心のパラダイムへとシフトさせ、新たな評価方法の緊急の必要性を生み出している。 この文脈で自己統制学習(SRL)を評価することは、従来のアプローチの限界がより明確になるにつれて、新たな課題を示す。 質問は引き続き中断されるが、クリックストリームデータのような非中断メトリクスの有用性は、対話内でより多くの学習活動が発生するにつれて低下している。 そこで本研究では,学生とAIの対話が,SRL評価のための有効な非中断データソースとして機能するかどうかを検討する。 生成型AI(GenAI)学習パートナーと対話する98人の大学生の対話ログ421件を解析した。 大規模言語モデルの埋め込みとクラスタリングを用いて、22の対話パターンを特定し、各学生の対話パターンをアライメントスコアのプロファイルとして定量化し、オンライン自己統制学習質問紙(OSLQ)のスコアに対して分析した。 その結果,プロアクティブな対話パターン(例えば,ポストクラス知識統合)と全体のSRLとの間に有意な相関が認められた。 逆に、反応パターン(例えば、基礎的な事前クラス質問)は、全体のSRLとそのサブプロセスと著しく負の関連があった。 低SRL学生は高SRL学生よりも反応パターンとのアライメントが有意に高かった。 本研究は,HAICL対話に直接SRLアセスメントを組み込むための実践的手法であるDHASRL(Dialogue-based Human-AI Self-Regulated Learning)フレームワークを提案する。

関連論文リスト

• What Students Ask, How a Generative AI Assistant Responds: Exploring Higher Education Students' Dialogues on Learning Analytics Feedback [0.3562673545689596]
  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。
  論文  参考訳（メタデータ） (2026-01-08T13:17:44Z)
• How Real Is AI Tutoring? Comparing Simulated and Human Dialogues in One-on-One Instruction [6.649393350057383]
  本研究は,AIを模擬した人体学習対話における構造的・行動的差異を系統的に検討する。 その結果,人間の対話は発話長においてAIよりもはるかに優れており,質問行動(I-Q)や一般フィードバック行動(F-F)にも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-09-02T03:18:39Z)
• 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)
• 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)
• Exploring the Factual Consistency in Dialogue Comprehension of Large Language Models [51.75805497456226]
  本研究は,対話要約タスクの助けを借りて,事実整合性の問題に焦点を当てる。 評価の結果,LLMが生成する要約の26.8%が事実整合性を含んでいることがわかった。 LLMの対話理解能力を高めるために,自動構築マルチタスクデータを用いた微調整パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-11-13T09:32:12Z)
• Building Persona Consistent Dialogue Agents with Offline Reinforcement Learning [23.149638288383347]
  教師付き学習・オンライン強化学習(RL)による訓練エージェントによる現状学習システムの構築 対話システムのペルソナ一貫性を改善するためのオフラインRLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-16T18:05:54Z)
• CHAI: A CHatbot AI for Task-Oriented Dialogue with Offline Reinforcement Learning [85.3987745097806]
  オフライン強化学習は、人間の話者から収集された静的データセットを使用して、対話エージェントをトレーニングするために使用することができる。 実験により,最近開発されたオフラインRL手法と言語モデルを組み合わせることで,現実的な対話エージェントが得られることが示された。
  論文  参考訳（メタデータ） (2022-04-18T17:43:21Z)
• Automatic Curriculum Learning With Over-repetition Penalty for Dialogue Policy Learning [8.744026064255337]
  ACL-DQN(Automatic Curriculum Learning-based Deep Q-Network)という新しいフレームワークを提案し,自動カリキュラム学習のための対話方針を実現する。 教師モデルは、有意義な順序のカリキュラムを配置し、対話エージェントの学習進捗を監視して自動的に調整する。 実験により,ACL-DQNは,統計的に有意なマージンを有する対話タスクの有効性と安定性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2020-12-28T02:44:49Z)

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。