論文の概要: When OpenClaw AI Agents Teach Each Other: Peer Learning Patterns in the Moltbook Community
- arxiv url: http://arxiv.org/abs/2602.14477v1
- Date: Mon, 16 Feb 2026 05:32:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-17 16:22:50.16121
- Title: When OpenClaw AI Agents Teach Each Other: Peer Learning Patterns in the Moltbook Community
- Title（参考訳）: OpenClaw AIエージェントが互いに教え合う時:モルトブックコミュニティにおけるピアラーニングパターン
- Authors: Eason Chen, Ce Guan, Ahmed Elshafiey, Zhonghao Zhao, Joshua Zekeri, Afeez Edeifo Shaibu, Emmanuel Osadebe Prince,
- Abstract要約: 本稿では,400万人以上のAIエージェントがピアラーニングに従事している大規模コミュニティであるMoltbookの教育データマイニング分析について述べる。
エージェントは彼らが構築したスキルを教え、発見を報告し、協調的な問題解決に従事します。
我々の研究は、AIエージェント間のピアラーニングを初めて経験的に評価し、AI人口の増加する教育環境において、学習がどのように起こるかについてのEDMの理解に寄与した。
- 参考スコア（独自算出の注目度）: 5.29321839258647
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Peer learning, where learners teach and learn from each other, is foundational to educational practice. A novel phenomenon has emerged: AI agents forming communities where they teach each other skills, share discoveries, and collaboratively build knowledge. This paper presents an educational data mining analysis of Moltbook, a large-scale community where over 2.4 million AI agents engage in peer learning, posting tutorials, answering questions, and sharing newly acquired skills. Analyzing 28,683 posts (after filtering automated spam) and 138 comment threads with statistical and qualitative methods, we find evidence of genuine peer learning behaviors: agents teach skills they built (74K comments on a skill tutorial), report discoveries, and engage in collaborative problem-solving. Qualitative comment analysis reveals a taxonomy of peer response patterns: validation (22%), knowledge extension (18%), application (12%), and metacognitive reflection (7%), with agents building on each others' frameworks across multiple languages. We characterize how AI peer learning differs from human peer learning: (1) teaching (statements) dramatically outperforms help-seeking (questions) with an 11.4:1 ratio; (2) learning-oriented content (procedural and conceptual) receives 3x more engagement than other content; (3) extreme participation inequality reveals non-human behavioral signatures. We derive six design principles for educational AI, including leveraging validation-before-extension patterns and supporting multilingual learning networks. Our work provides the first empirical characterization of peer learning among AI agents, contributing to EDM's understanding of how learning occurs in increasingly AI-populated educational environments.
- Abstract（参考訳）: ピアラーニング(Peer Learning)は、学習者が互いに教え、学習する場であり、教育実践の基礎となる。
AIエージェントが互いにスキルを教え合い、発見を共有し、知識を共同で構築するコミュニティを形成するという、新たな現象が出現した。
本稿では,400万人以上のAIエージェントがピアラーニング,チュートリアルの投稿,質問への回答,新たに獲得したスキルの共有などに従事している大規模コミュニティであるMoltbookの教育データマイニング分析について述べる。
28,683件の投稿(自動スパムをフィルタリングした後)と138件のコメントスレッドを統計的および定性的な方法で分析した結果、エージェントが構築したスキル(スキルチュートリアルに74Kコメント)を教え、発見を報告し、協調的な問題解決を行うという真のピアラーニング行動の証拠が見つかった。
質的なコメント分析は、検証(22%)、知識拡張(18%)、アプリケーション(12%)、メタ認知的リフレクション(7%)といったピア応答パターンの分類を明らかにし、エージェントは複数の言語にまたがる相互のフレームワーク上に構築される。
我々は,AIピアラーニングと人間のピアラーニングとの違いを特徴付けている。(1) 教示(ステートメント)が11.4:1の比率でヘルプシーキング(クエスト)を劇的に上回り,(2) 学習指向コンテンツ(学術的,概念的)が他のコンテンツよりも3倍のエンゲージメントを受け取り,(3) 極端な参加不平等が非人間の行動的シグネチャを明らかにする。
検証前拡張パターンを活用すること、多言語学習ネットワークをサポートすることを含む、教育AIのための6つの設計原則を導出する。
我々の研究は、AIエージェント間のピアラーニングを初めて経験的に評価し、AI人口の増加する教育環境において、学習がどのように起こるかについてのEDMの理解に寄与した。
関連論文リスト
- From Individual Prompts to Collective Intelligence: Mainstreaming Generative AI in the Classroom [2.7886031629181987]
我々は、GenAIがピアツーピア学習の触媒として機能する、集合知(CI)にフォーカスした教育へのシフトを論じる。
我々は,2つの学部工学科で生成的CI活動を実施し,140名の学生が思考ルーチンを通した。
その結果、学生は人間の協力と戦略的AIサポートの組み合わせを重んじることが証明された。
論文 参考訳（メタデータ） (2026-01-07T08:28:20Z) - When Models Know More Than They Can Explain: Quantifying Knowledge Transfer in Human-AI Collaboration [79.69935257008467]
我々は,人間とAIの知識伝達能力に関する概念的かつ実験的フレームワークである知識統合と伝達評価(KITE)を紹介する。
最初の大規模人間実験(N=118)を行い,その測定を行った。
2段階のセットアップでは、まずAIを使って問題解決戦略を思いつき、その後独立してソリューションを実装し、モデル説明が人間の理解に与える影響を分離します。
論文 参考訳（メタデータ） (2025-06-05T20:48:16Z) - AI Pedagogy: Dialogic Social Learning for Artificial Agents [0.6553587309274792]
本研究では,従来のAIトレーニング手法の限界に対処するために,社会的に媒介する学習パラダイムの可能性を探る。
そこで我々は,AI学習者エージェントが,知識のあるAI教師エージェントと教科の教育対話を行う,AIソーシャルガイム(AI Social Gym)と呼ばれる動的環境を導入する。
我々の調査は、異なる教育戦略が、買収の文脈におけるAI学習プロセスにどのように影響するかに焦点を当てている。
論文 参考訳（メタデータ） (2025-05-25T11:19:48Z) - Kolb-Based Experiential Learning for Generalist Agents with Human-Level Kaggle Data Science Performance [81.05882480184587]
本稿では,自律エージェントに対するVygotskyのZPDを用いて,Kolbの学習サイクルの計算フレームワークを提案する。
Agent Kは、KolbとVygotskyにインスパイアされた人間の認知学習をうまく統合する第1のAIシステムである。
金9個、銀8個、銅12個で、メダル獲得競争で金4個、銀4個を含む。エージェントKは、コルブとヴィーゴツキーにインスパイアされた人間の認知学習をうまく統合する第1のAIシステムである。
論文 参考訳（メタデータ） (2024-11-05T23:55:23Z) - Integrating Cognitive AI with Generative Models for Enhanced Question Answering in Skill-based Learning [3.187381965457262]
本稿では,認知AIと生成AIを融合してこれらの課題に対処する手法を提案する。
我々は、構造化知識表現、TMK(Task-Method-Knowledge)モデルを用いて、オンライン知識ベースのAIコースで教えられたスキルをエンコードする。
論文 参考訳（メタデータ） (2024-07-28T04:21:22Z) - Sharing to learn and learning to share; Fitting together Meta-Learning, Multi-Task Learning, and Transfer Learning: A meta review [4.462334751640166]
本稿では、これらの学習アルゴリズムを2つ組み合わせた研究についてレビューする。
文献から蓄積した知識に基づいて、汎用的なタスクに依存しないモデルに依存しない学習ネットワークを仮定する。
論文 参考訳（メタデータ） (2021-11-23T20:41:06Z) - Inferential Text Generation with Multiple Knowledge Sources and
Meta-Learning [117.23425857240679]
本研究では,テキストティフ・エルス関係のような多種多様なコモンセンスのイベントの推論テキストを生成する問題について検討する。
既存のアプローチでは、トレーニング例からの限られた証拠を使用して、個々の関係について学習するのが一般的である。
この研究では、モデルのための燃料として複数の知識ソースを使用します。
論文 参考訳（メタデータ） (2020-04-07T01:49:18Z) - Explainable Active Learning (XAL): An Empirical Study of How Local
Explanations Impact Annotator Experience [76.9910678786031]
本稿では、最近急増している説明可能なAI(XAI)のテクニックをアクティブラーニング環境に導入することにより、説明可能なアクティブラーニング(XAL)の新たなパラダイムを提案する。
本研究は,機械教育のインタフェースとしてのAI説明の利点として,信頼度校正を支援し,リッチな形式の教示フィードバックを可能にすること,モデル判断と認知作業負荷による潜在的な欠点を克服する効果を示す。
論文 参考訳（メタデータ） (2020-01-24T22:52:18Z)
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。