論文の概要: PS$^2$: Parameterized Control for Fine-Grained Student Proficiency Simulation

• arxiv url: http://arxiv.org/abs/2602.00850v1
• Date: Sat, 31 Jan 2026 18:27:56 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-02-03 14:25:24.003915
• Title: PS$^2$: Parameterized Control for Fine-Grained Student Proficiency Simulation
• Title（参考訳）: PS$^2$:微粒化学生習熟度シミュレーションのためのパラメータ化制御
• Authors: Ruochen Liu, Zhiyuan Wen, Hao Yan, Jun Yin, Senzhang Wang, Jiannong Cao,
• Abstract要約: 学生シミュレーション (PS$2$) は、教師なしおよびパラメータ化されたモデルレベルのフレームワークであり、異なる習熟度を持つ生徒をシミュレートする。 PS$2$は、既存のベースラインに比べて細粒度で一貫した習熟度シミュレーションを実現する。
• 参考スコア（独自算出の注目度）: 37.112666030892115
• License:
• Abstract: Understanding how students with different proficiency levels respond to educational materials is a critical issue within the field of AI for Education. However, acquiring sufficient real student response data for a robust evaluation is often hindered by cost, ethics, and security constraints. Consequently, LLM-based student proficiency simulation, especially prompt-based methods, has emerged as a practical alternative under data-scarce conditions. Despite their promise, current methods still exhibit limited controllability with coarse-grained proficiency representations, high sensitivity to prompt design, and the lack of calibration with academic performance. Therefore, we propose Parameterized Student Proficiency Simulation (PS$^2$), an unsupervised and parameterized model-level framework that simulates students with different proficiencies by interpolating between a strong upper-bound LLM and a weaker, cognitive error-informed lower-bound student LLM via a hybrid ratio. Specifically, the lower-bound model is constructed by fine-tuning the weaker LM to exhibit cognitive errors when responding to educational materials. To ensure alignment with target proficiency levels, PS$^2$ further calibrates the interpolation ratio with academic performance. Experiments on two public datasets demonstrate that PS$^2$ achieves finer-grained and consistent proficiency simulation compared to existing baselines, leading to superior performance in student behavior similarity and item difficulty prediction.
• Abstract（参考訳）: 教養水準の異なる学生が教育資料にどう反応するかを理解することは、AI for Educationの分野における重要な課題である。 しかし、堅牢な評価のために十分な実際の学生反応データを取得することは、しばしばコスト、倫理、セキュリティの制約によって妨げられる。 その結果,LLMに基づく学生の習熟度シミュレーション,特にプロンプトベースの手法が,データスカース条件下で実践的な代替手段として登場した。 その約束にもかかわらず、現在の手法は、粗い粒度の熟練度表現による制限された制御性、迅速な設計への高い感度、そして学術的性能による校正の欠如を示す。 そこで本研究では, 教師なし, パラメータ化されたモデルレベルのフレームワークであるパラメータ化学生熟練度シミュレーション(PS$^2$)を提案する。 具体的には、より弱いLMを微調整し、教育材料に応答する際の認知的誤りを示すことにより、下界モデルを構築する。 目標習熟度レベルとの整合性を確保するため、PS$^2$は補間率と学業成績を更に校正する。 2つの公開データセットの実験により、PS$^2$は既存のベースラインに比べて細粒度で一貫した習熟度シミュレーションを実現し、生徒の行動類似性やアイテムの難易度予測に優れた性能をもたらすことが示された。

関連論文リスト

• Take Out Your Calculators: Estimating the Real Difficulty of Question Items with LLM Student Simulations [36.23612429926861]
  実世界の学生を対象とした数学質問の難易度を評価するため,オープンソースの大規模言語モデル(LLM)の予測値について検討した。 我々は,4年生,8年生,12年生の「教室」をシミュレートし,LLMを様々な習熟度を持つロールプレイングの学生に促す。 我々は,4級,8級,12級の相関関係を0.75,0.76,0.82まで観測した。
  論文  参考訳（メタデータ） (2026-01-15T00:25:01Z)
• SMART: Simulated Students Aligned with Item Response Theory for Question Difficulty Prediction [38.7828715471869]
  本稿では、シミュレーションされた学生を指導力で整列させる新しい方法SMART(Simulated Students Aligned with IRT)を提案する。 SMARTは、その改善された能力アライメントを活用することで、他の項目の難易度予測手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-07T15:41:38Z)
• Exploring LLM-based Student Simulation for Metacognitive Cultivation [33.346260553878984]
  高品質なシミュレーション学生エージェントを自動生成・フィルタリングするパイプラインを提案する。 我々の研究は、パーソナライズされた学習と教育アセスメントにおける幅広い応用の道を開く。
  論文  参考訳（メタデータ） (2025-02-17T11:12:47Z)
• A Systematic Examination of Preference Learning through the Lens of Instruction-Following [83.71180850955679]
  新たな合成データ生成パイプラインを用いて48,000の命令追従プロンプトを生成する。 合成プロンプトでは、リジェクションサンプリング(RS)とモンテカルロ木探索(MCTS)の2つの選好データセットキュレーション手法を用いる。 実験により、MCTSが生成した選好ペアにおける共有プレフィックスは、限界はあるが一貫した改善をもたらすことが明らかになった。 高コントラストの選好ペアは一般的に低コントラストのペアよりも優れているが、両者を組み合わせることで最高のパフォーマンスが得られることが多い。
  論文  参考訳（メタデータ） (2024-12-18T15:38:39Z)
• LLM-based Cognitive Models of Students with Misconceptions [55.29525439159345]
  本稿では,この2つの要件を満たすためにLLM(Large Language Models)を命令調整できるかどうかを検討する。 真正な学生ソリューションパターンを反映したデータセットを生成する新しいPythonライブラリであるMalAlgoPyを紹介する。 我々の洞察は、AIに基づく学生モデルの理解を高め、効果的な適応学習システムへの道を開く。
  論文  参考訳（メタデータ） (2024-10-16T06:51:09Z)
• Uncertainty Aware Learning for Language Model Alignment [97.36361196793929]
  異なるタスクシナリオのモデルアライメントを改善するために,不確実性認識学習(UAL)を提案する。 トレーニングのラベルの平滑化値を個々のサンプルの不確実性に応じて適応的に設定する。 広く使われているベンチマーク実験では、我々のUALは標準教師あり微調整よりも著しく優れています。
  論文  参考訳（メタデータ） (2024-06-07T11:37:45Z)
• Pessimistic Q-Learning for Offline Reinforcement Learning: Towards Optimal Sample Complexity [51.476337785345436]
  有限水平マルコフ決定過程の文脈におけるQ-ラーニングの悲観的変種について検討する。 ほぼ最適サンプル複雑性を実現するために,分散再現型悲観的Q-ラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-28T15:39:36Z)

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。