論文の概要: MetaCLASS: Metacognitive Coaching for Learning with Adaptive Self-regulation Support

• arxiv url: http://arxiv.org/abs/2602.02457v1
• Date: Mon, 02 Feb 2026 18:47:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.373653
• Title: MetaCLASS: Metacognitive Coaching for Learning with Adaptive Self-regulation Support
• Title（参考訳）: MetaCLASS: 適応型自己統制支援による学習のためのメタ認知型コーチング
• Authors: Naiming Liu, Richard Baraniuk, Shashank Sonkar,
• Abstract要約: メタ認知学習を,自己制御学習プロセスに沿った11の解釈可能な動作に対する移動選択として定式化するフレームワークであるMetaCLASSを紹介する。 我々は,問題と対話状況から,次のコーチの動きを予測するため,9つのLCMをベンチマークした。 最良のモデルは43.2%の精度しか達成せず、モデルは強制的介入バイアスを示す。
• 参考スコア（独自算出の注目度）: 2.688207424884465
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models can generate fluent explanations, but effective tutoring requires supporting the learner's thought process, not just delivering content. Metacognitive tutoring targets this gap by prompting planning, monitoring, debugging, and evaluation, and crucially, deciding when to be active versus minimally present, based on learner signals and trajectory. We introduce MetaCLASS, a learning-science grounded framework that formulates metacognitive tutoring as move selection over 11 interpretable actions aligned to self-regulated learning processes. MetaCLASS uses a two-phase framework that first plans a pedagogical trajectory conditioned on learner profiles (calibration, help-seeking) and then generates natural dialogue consistent with that plan. This yields a dataset of 1,015 conversations (7,711 turns) annotated with turn-level metacognitive labels, and validated for pedagogical contingency and trajectory adherence. We benchmark nine LLMs on predicting the next coach move given the problem and dialogue context. The best model achieves only 43.2\% accuracy, and models exhibit compulsive intervention bias: in turns where effective metacognitive tutoring requires silent (41.7\% of cases), models predict `no intervention' only 4.2\% of the time, while severely over-predicting high-intervention moves. These results show that traditional content-based tutoring ability does not translate to metacognitive tutoring competence, positioning MetaCLASS as a testbed for developing intelligent tutors that promote self-regulated learning.
• Abstract（参考訳）: 大規模な言語モデルでは、流動的な説明を生成することができるが、効果的なチュータリングでは、コンテンツを提供するだけでなく、学習者の思考プロセスをサポートする必要がある。 メタ認知的学習は、計画、監視、デバッグ、評価の促進によってこのギャップを目標とし、学習者信号と軌道に基づいて、いつアクティブか、最小限かを決定する。 メタCLASSは,メタ認知学習を,自己制御学習プロセスに沿った11の解釈可能な行動に対する移動選択として定式化する学習科学基盤フレームワークである。 MetaCLASSは、まず学習者プロファイル(校正、ヘルプ-シーキング)に条件付けされた教育的軌道を計画し、それからその計画と整合した自然な対話を生成する2段階のフレームワークを使用する。 これにより、1015の会話(7,711回)のデータセットがターンレベルのメタ認知ラベルでアノテートされ、ペタゴジカルな一致とトラジェクトリの定着が検証される。 我々は,問題と対話状況から,次のコーチの動きを予測するため,9つのLCMをベンチマークした。 最良のモデルは43.2\%の精度しか達成せず、モデルには強制的介入バイアスが生じる: 効果的なメタ認知的チューリングがサイレントを必要とする場合(41.7%)、モデルはわずか4.2\%の時間で「介入しない」と予測する一方で、高干渉の動きを非常に過大に予測する。 これらの結果から,従来のコンテンツベースの学習能力はメタ認知的学習能力に変換されず,メタCLASSを自己制御学習を促進する知的学習者を開発するためのテストベッドとして位置づけた。

関連論文リスト

• Discerning minds or generic tutors? Evaluating instructional guidance capabilities in Socratic LLMs [35.33577525791391]
  本研究は,質問生成を超えて指導指導能力を強調する。 実際の教育対話を基盤としたベンチマークである GuideEval を提案する。 本稿では,行動促進型指導対話を活用した行動誘導型微調整戦略を提案する。
  論文  参考訳（メタデータ） (2025-08-08T01:02:44Z)
• The Pragmatic Mind of Machines: Tracing the Emergence of Pragmatic Competence in Large Language Models [6.187227278086245]
  大規模言語モデル(LLM)は、不規則な解決や推論の理論を含む社会的知性に新たな能力を示す。 本研究では,異なる学習段階におけるLLMが話者意図を正確に推測できるかどうかを評価する。 プレトレーニング後, 教師付き微調整(SFT), 選好最適化の3段階にわたる22個のLDMを系統的に評価した。
  論文  参考訳（メタデータ） (2025-05-24T04:24:59Z)
• EducationQ: Evaluating LLMs' Teaching Capabilities Through Multi-Agent Dialogue Framework [9.76455227840645]
  大規模言語モデル(LLM)は、ますます教育ツールとして機能するが、その教育能力を評価することは困難である。 本研究では,動的シナリオをシミュレートして学習能力を効果的に評価するマルチエージェント対話フレームワークであるEducationQを紹介する。
  論文  参考訳（メタデータ） (2025-04-21T07:48:20Z)
• On the Loss of Context-awareness in General Instruction Fine-tuning [101.03941308894191]
  教師付き微調整後の文脈認識の喪失について検討した。 性能低下は,会話指導の微調整中に学んだ異なる役割に対する偏見と関連していることがわかった。 一般命令微調整データセットから文脈依存例を識別する指標を提案する。
  論文  参考訳（メタデータ） (2024-11-05T00:16:01Z)
• When LLMs Learn to be Students: The SOEI Framework for Modeling and Evaluating Virtual Student Agents in Educational Interaction [12.070907646464537]
  教室シナリオにおける人格対応型仮想学生エージェント(LVSA)の構築と評価のためのSOEIフレームワークを提案する。 LoRAファインチューニングとエキスパートインフォームドプロンプト設計により,5つのLVSAをBig Five特性に基づいて生成する。 その結果,(1)LLMをベースとした学生エージェントのための教育的,心理的に基盤とした生成パイプライン,(2)行動リアリズムのためのハイブリッドでスケーラブルな評価フレームワーク,(3)LVSAsの教育的有用性に関する実証的な知見が得られた。
  論文  参考訳（メタデータ） (2024-10-21T07:18:24Z)
• Instruction-following Evaluation through Verbalizer Manipulation [64.73188776428799]
  本稿では,動詞操作と呼ばれる新しい指示追従評価プロトコルを提案する。 モデルにタスクラベルを、異なる範囲のモデル先行と整合した単語で言語化するように指示する。 異なる家族や規模にわたるモデルの指示追従能力は、より自然な話し手の性能によって著しく異なることが観察された。
  論文  参考訳（メタデータ） (2023-07-20T03:54:24Z)
• MERMAIDE: Learning to Align Learners using Model-Based Meta-Learning [62.065503126104126]
  本研究では,先見のつかない学習エージェントの報酬を効率よく効果的に介入し,望ましい結果を導き出す方法について検討する。 これはオークションや課税のような現実世界の多くの設定に関係しており、プリンシパルは学習行動や実際の人々の報酬を知らないかもしれない。 モデルに基づくメタ学習フレームワークであるMERMAIDEを導入し,配布外エージェントに迅速に適応できるプリンシパルを訓練する。
  論文  参考訳（メタデータ） (2023-04-10T15:44:50Z)
• On Fast Adversarial Robustness Adaptation in Model-Agnostic Meta-Learning [100.14809391594109]
  モデルに依存しないメタラーニング(MAML)は、数発の学習において最も成功したメタラーニング手法の1つである。 メタモデルの一般化力にもかかわらず、マルチショット学習においてMDLがいかに敵対的堅牢性を維持することができるかは明らかではない。 本稿では,ラベルなしデータ拡張,高速な攻撃生成,計算量軽微な微調整を可能にする,汎用的かつ最適化が容易なロバストネス正規化メタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-20T22:03:04Z)

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。