論文の概要: Adaptive Scaffolding for Cognitive Engagement in an Intelligent Tutoring System

• arxiv url: http://arxiv.org/abs/2602.07308v1
• Date: Sat, 07 Feb 2026 01:51:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.565436
• Title: Adaptive Scaffolding for Cognitive Engagement in an Intelligent Tutoring System
• Title（参考訳）: 知能学習システムにおける認知的エンゲージメントに対する適応的スカッホールディング
• Authors: Sutapa Dey Tithi, Nazia Alam, Tahreem Yasir, Yang Shi, Xiaoyi Tian, Min Chi, Tiffany Barnes,
• Abstract要約: ICAPフレームワークは、Passive、Active、Constructive、Interactiveの4つの認知エンゲージメントレベルを定義している。 2つの異なるICAPモードで作業例を動的に選択することで、認知的エンゲージメントを適応的に把握するシステムを開発し、評価する。
• 参考スコア（独自算出の注目度）: 13.249968490944243
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ICAP framework defines four cognitive engagement levels: Passive, Active, Constructive, and Interactive, where increased cognitive engagement can yield improved learning. However, personalizing learning activities that elicit the optimal level of cognitive engagement remains a key challenge in intelligent tutoring systems (ITS). In this work, we develop and evaluate a system that adaptively scaffolds cognitive engagement by dynamically selecting worked examples in two different ICAP modes: (active) Guided examples and (constructive) Buggy examples. We compare Bayesian Knowledge Tracing (BKT) and Deep Reinforcement Learning (DRL) as adaptive methods against a non-adaptive baseline method for selecting example type in a logic ITS. Our experiment with 113 students demonstrates that both adaptive policies significantly improved student performance on test problems. BKT yielded the largest improvement in posttest scores for low prior knowledge students, helping them catch up with their high prior knowledge peers, whereas DRL yielded significantly higher posttest scores among high prior knowledge students. This paper contributes new insights into the complex interactions of cognitive engagement and adaptivity and their results on learning outcomes.
• Abstract（参考訳）: ICAPフレームワークは、受動的、アクティブ、構成的、インタラクティブの4つの認知エンゲージメントレベルを定義している。 しかし、認知エンゲージメントの最適レベルを引き出す学習活動のパーソナライズは、知的学習システム(ITS)において重要な課題である。 本研究では,2つのICAPモードで作業例を動的に選択することで,認知的エンゲージメントを適応的に把握するシステムを開発し,評価する。 我々は,BKT(Bayesian Knowledge Tracing)とDRL(Deep Reinforcement Learning)を,論理の例型を選択する非適応的ベースライン法に対して適応的手法として比較した。 113名の学生を対象に行った実験により,適応政策が学生の試験成績を有意に改善したことが示された。 BKTは,低学歴者の受験成績を最大に改善し,高学歴者の受験成績に追いつくのに役立ったが,DRLは高学歴者の受験成績を有意に上回った。 本稿では,認知的エンゲージメントと適応性の複雑な相互作用とその学習結果に対する新たな洞察を提供する。

関連論文リスト

• From Co-Design to Metacognitive Laziness: Evaluating Generative AI in Vocational Education [0.0]
  本研究では,シンガポールの職業教育環境における講師を支援するために考案された,生成型AI概念実証(POC)の開発と展開について検討する。 POCは,授業内容の合理化,認知負荷の低減,授業内容のナビゲートに対する生徒の信頼感の向上を報告した。 教育プロセスの強化にもかかわらず、成績データは学生全体の評価結果に有意な改善は示さなかった。 この研究は、依存関係の最小化、メタ認知開発、さまざまな能力レベルにおけるサポートの校正のためにAIツールをどのように構築できるかという、一連の設計上の疑問を提起している。
  論文  参考訳（メタデータ） (2025-12-13T12:26:25Z)
• UCO: A Multi-Turn Interactive Reinforcement Learning Method for Adaptive Teaching with Large Language Models [59.693733170193944]
  大規模言語モデル(LLM)は、教育環境において、回答提供者からインテリジェントな家庭教師へとシフトしている。 最近の強化学習アプローチはこの制限に対処するが、2つの重要な課題に直面している。 これらの課題に対処するために一方向認知最適化法(UCO)を提案する。
  論文  参考訳（メタデータ） (2025-11-12T01:27:02Z)
• Directive, Metacognitive or a Blend of Both? A Comparison of AI-Generated Feedback Types on Student Engagement, Confidence, and Outcomes [1.8839714322633465]
  本研究は,329名の学生を対象に,適応型教育プラットフォームを用いた授業設計・プログラミングコースにおいて,学期間無作為化比較試験を行った。 参加者は、指示的、メタ認知的、あるいはハイブリッドなAI生成フィードバックを受け取り、指示的、メタ認知的の両方の要素をブレンドする。 その結果、リビジョン行動はフィードバック条件によって異なり、ハイブリットはディレクティブやメタ認知と比較して最も多くのリビジョンを促すことがわかった。
  論文  参考訳（メタデータ） (2025-10-22T15:31:21Z)
• Dynamic Programming Techniques for Enhancing Cognitive Representation in Knowledge Tracing [125.75923987618977]
  認知表現動的プログラミングに基づく知識追跡(CRDP-KT)モデルを提案する。 質問の難易度とそれらの間の性能間隔に基づいて認知表現を最適化する動的プログラミングアルゴリズムである。 これは、その後のモデルトレーニングのためにより正確で体系的な入力機能を提供し、それによって認知状態のシミュレーションにおける歪みを最小限にする。
  論文  参考訳（メタデータ） (2025-06-03T14:44:48Z)
• Improving Question Embeddings with Cognitive Representation Optimization for Knowledge Tracing [77.14348157016518]
  KTモデリングの研究は、既存の未更新の学生の相互作用の記録に基づいて、将来の学生のパフォーマンスを予測することに焦点を当てている。 動的プログラミングアルゴリズムを用いて認知表現の構造を最適化する知識追跡型認知表現最適化(CRO-KT)モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-05T09:32:03Z)
• Conceptual Belief-Informed Reinforcement Learning [10.817700298999]
  強化学習(RL)は大きな成功を収めたが、非効率性や不安定性によって妨げられている。 ヒューマンインテリジェンス(HI-RL)をエミュレートする概念的信念インフォームド強化学習を導入する。 HI-RLは、重要な環境情報の高レベルなカテゴリを抽出して概念を形成し、価値や政策更新を導くための経験として適応的な概念関連確率的信念を構築する。
  論文  参考訳（メタデータ） (2024-10-02T16:50:29Z)
• Leveraging Deep Reinforcement Learning for Metacognitive Interventions across Intelligent Tutoring Systems [7.253181280137071]
  本研究は,知能学習システム(ITS)におけるメタ認知的介入を実現するための2つのアプローチを比較する。 実験1では,古典的な人工知能を用いて,生徒を異なるメタ認知グループに分類し,分類されたグループに基づいて静的な介入を行う。 Exp.2では,Deep Reinforcement Learning(DRL)を利用して,生徒のメタ認知レベルの変化を考慮した適応的介入を行った。
  論文  参考訳（メタデータ） (2023-04-17T12:10:50Z)
• Analyzing Adaptive Scaffolds that Help Students Develop Self-Regulated Learning Behaviors [6.075903612065429]
  本稿では,Betty's Brainにおける適応的足場構築のための体系的枠組みを提案する。 学生は仮想エージェントを教えるために因果モデルを構築し、一般にベティと名付けられた。 適応的な足場が生徒の学習行動やパフォーマンスに与える影響を分析する。
  論文  参考訳（メタデータ） (2022-02-20T00:02:31Z)
• Mind Your Outliers! Investigating the Negative Impact of Outliers on Active Learning for Visual Question Answering [71.15403434929915]
  視覚的質問応答のタスクにおいて、5つのモデルと4つのデータセットにまたがって、多種多様な能動的学習アプローチがランダム選択を上回りません。 アクティブな学習手法が好まれるが、モデルは学習に失敗する例の集まりである。 本研究では,アクティブ学習プールにおける集団外乱の減少に伴い,アクティブ学習サンプル効率が著しく向上することを示す。
  論文  参考訳（メタデータ） (2021-07-06T00:52:11Z)
• Transfer Heterogeneous Knowledge Among Peer-to-Peer Teammates: A Model Distillation Approach [55.83558520598304]
  本研究は, モデル蒸留により, 複数の学生間で経験と伝達値関数を再利用する新しい手法を提案する。 また、異種知識を活用するための効率的な通信プロトコルの設計方法について述べる。 提案するフレームワークである学習・指導カテゴリー強化は,学習の進捗を安定化・加速する上で有望な性能を示す。
  論文  参考訳（メタデータ） (2020-02-06T11:31:04Z)

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。