論文の概要: Which Feedback Works for Whom? Differential Effects of LLM-Generated Feedback Elements Across Learner Profiles

• arxiv url: http://arxiv.org/abs/2602.11650v1
• Date: Thu, 12 Feb 2026 07:02:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.687063
• Title: Which Feedback Works for Whom? Differential Effects of LLM-Generated Feedback Elements Across Learner Profiles
• Title（参考訳）: 学習者プロファイル全体にわたるLLM生成フィードバック要素の差分効果
• Authors: Momoka Furuhashi, Kouta Nakayama, Noboru Kawai, Takashi Kodama, Saku Sugawara, Kyosuke Takami,
• Abstract要約: 我々は6つのフィードバック要素を定義し、GPT-5を用いて生物学の質問に対してフィードバックを生成する。 本研究では,2つの学習結果尺度と6つの基準の主観評価を用いて,フィードバックの有効性を評価する。 その結果,学習者の主観的嗜好は個性に基づくクラスタによって異なるのに対し,効果的なフィードバック要素は学習結果を支持する共通パターンを共有していることがわかった。
• 参考スコア（独自算出の注目度）: 9.104700955592568
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) show promise for automatically generating feedback in education settings. However, it remains unclear how specific feedback elements, such as tone and information coverage, contribute to learning outcomes and learner acceptance, particularly across learners with different personality traits. In this study, we define six feedback elements and generate feedback for multiple-choice biology questions using GPT-5. We conduct a learning experiment with 321 first-year high school students and evaluate feedback effectiveness using two learning outcomes measures and subjective evaluations across six criteria. We further analyze differences in how feedback acceptance varies across learners based on Big Five personality traits. Our results show that effective feedback elements share common patterns supporting learning outcomes, while learners' subjective preferences differ across personality-based clusters. These findings highlight the importance of selecting and adapting feedback elements according to learners' personality traits when we design LLM-generated feedback, and provide practical implications for personalized feedback design in education.
• Abstract（参考訳）: 大きな言語モデル(LLM)は、教育設定で自動的にフィードバックを生成することを約束している。 しかし、トーンや情報カバレッジといった特定のフィードバック要素が学習結果や学習者の受容にどのように貢献するかは、特に異なる性格特性を持つ学習者の間では明らかでない。 本研究では,6つのフィードバック要素を定義し,GPT-5を用いた複数選択生物学質問に対するフィードバックを生成する。 初等中学生321名を対象に学習実験を行い,2つの学習結果と6つの基準の主観評価を用いてフィードバックの有効性を評価した。 さらに,ビッグファイブの性格特性に基づいて,学習者間でフィードバックの受け取り方の違いを分析する。 その結果,学習者の主観的嗜好は個性に基づくクラスタによって異なるのに対し,効果的なフィードバック要素は学習結果を支持する共通パターンを共有していることがわかった。 これらの知見は、LLM生成フィードバックを設計する際に学習者の性格特性に応じてフィードバック要素を選択し、適応させることの重要性を強調し、教育におけるパーソナライズされたフィードバックデザインに実践的な意味を提供する。

関連論文リスト

• Student Engagement with GenAI's Tutoring Feedback: A Mixed Methods Study [0.0]
  本研究の目的は,(1) 学生が学習のフィードバックコンポーネントに関わったときにどう思うかを明らかにすること,(2) フィードバックコンポーネント,学生の視覚的注意,言語的思考,および問題の解決プロセスの一環としての即時行動との関係を探索することである。 380のフィードバックコンポーネントを取り入れた学生の思考の分析から,学生は理解や意見の相違,追加情報が必要,学生はフィードバックを明確に判断する4つの主要なテーマが明らかになった。
  論文  参考訳（メタデータ） (2025-09-26T22:17:20Z)
• You're (Not) My Type -- Can LLMs Generate Feedback of Specific Types for Introductory Programming Tasks? [0.4779196219827508]
  本稿では,Large Language Models (LLM) を用いたプログラミングタスクに対して,特定のタイプのフィードバックを生成することを目的とする。 既存のフィードバックを見直して、ランダム性、不確実性、変動度などの、生成されたフィードバックの特異性を捉える。 結果は、例えば、フィードバック効果や学習者の情報的ニーズに関する将来のフィードバック研究に影響を及ぼす。
  論文  参考訳（メタデータ） (2024-12-04T17:57:39Z)
• Rethinking the Evaluation of Dialogue Systems: Effects of User Feedback on Crowdworkers and LLMs [57.16442740983528]
  アドホック検索では、評価は暗黙のフィードバックを含むユーザーの行動に大きく依存する。 アノテータの会話知覚におけるターン評価におけるユーザフィードバックの役割はほとんど研究されていない。 本稿では,タスク指向対話システム(TDS)の評価が,ターンのフォローアップ発話を通じて提供されるユーザフィードバック,明示的あるいは暗黙的な評価にどのように影響するかに注目した。
  論文  参考訳（メタデータ） (2024-04-19T16:45:50Z)
• Evaluating and Optimizing Educational Content with Large Language Model Judgments [52.33701672559594]
  言語モデル(LM)を教育専門家として活用し,学習結果に対する様々な指導の影響を評価する。 本稿では,一方のLMが他方のLMの判断を報酬関数として利用して命令材料を生成する命令最適化手法を提案する。 ヒトの教師によるこれらのLM生成ワークシートの評価は、LM判定と人間の教師の嗜好との間に有意な整合性を示す。
  論文  参考訳（メタデータ） (2024-03-05T09:09:15Z)
• Improving the Validity of Automatically Generated Feedback via Reinforcement Learning [46.667783153759636]
  強化学習(RL)を用いた正当性と整合性の両方を最適化するフィードバック生成フレームワークを提案する。 具体的には、直接選好最適化(DPO)によるトレーニングのための拡張データセットにおいて、GPT-4のアノテーションを使用してフィードバックペアよりも好みを生成する。
  論文  参考訳（メタデータ） (2024-03-02T20:25:50Z)
• Exploring the Relationship Between Personality Traits and User Feedback [9.289846887298852]
  本稿では,人格特性がユーザのフィードバックに及ぼす影響について予備的検討を行う。 56人の大学生が、コースで使用されるeラーニングツールの異なるソフトウェア機能についてフィードバックを提供した。 その結果,フラストレーションに対する感受性やストレス耐性の低下がユーザのフィードバックに悪影響を及ぼす可能性が示唆された。
  論文  参考訳（メタデータ） (2023-07-22T10:10:27Z)

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。