論文の概要: The RIGID Framework: Research-Integrated, Generative AI-Mediated Instructional Design
- arxiv url: http://arxiv.org/abs/2603.12781v1
- Date: Fri, 13 Mar 2026 08:34:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-16 17:38:11.997736
- Title: The RIGID Framework: Research-Integrated, Generative AI-Mediated Instructional Design
- Title（参考訳）: RIGIDフレームワーク: 研究集約型、生成型AI媒介型インストラクショナルデザイン
- Authors: Yerin Kwak, Zachary A. Pardos,
- Abstract要約: 本稿では,学習科学の研究を教育設計を通して体系的に統合する方法について考察する。
RIGIDは、ID分析、設計、実装、評価フェーズにまたがってLS研究を統合する統一的なフレームワークであり、生成AIを活用して各段階でこの統合を仲介する。
- 参考スコア（独自算出の注目度）: 3.0343794499390335
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Instructional Design (ID) often faces challenges in incorporating research-based knowledge and pedagogical best practices. Although educational researchers and government agencies emphasize grounding ID in evidence, integrating research findings into everyday design workflows is often complex, as it requires considering multiple context-specific demands and constraints. To address this persistent gap, this paper explores how research in the learning sciences (LS) can be systematically integrated across ID workflows and how recent advances in generative AI can help operationalize this integration. While ID and LS share a commitment to improving learning experiences through design-oriented approaches in authentic contexts, structured integration between the two fields remains limited, leaving their complementary insights underutilized. We present RIGID (Research-Integrated, Generative AI-Mediated Instructional Design), a unified framework that integrates LS research across ID workflows spanning analysis, design, implementation, and evaluation phases, while leveraging generative AI to mediate this integration at each stage. The RIGID framework provides a systematic approach for enabling research-integrated instructional design that is both operational and context-sensitive, while preserving the central role of human expertise.
- Abstract（参考訳）: インストラクショナルデザイン(ID)は、研究ベースの知識と教育的ベストプラクティスを取り入れる上で、しばしば課題に直面します。
教育研究者や政府機関は、証拠の根拠としてIDを強調しているが、複数のコンテキスト固有の要求や制約を考慮する必要があるため、日常的な設計ワークフローに研究結果を統合することは、しばしば複雑である。
この永続的なギャップに対処するため、本研究では、IDワークフロー間で学習科学(LS)の研究を体系的に統合する方法と、生成型AIの最近の進歩が、この統合の運用にどのように役立つかを検討する。
IDとLSは、真の文脈における設計指向のアプローチによる学習経験の向上へのコミットメントを共有しているが、両者の構造化された統合は限定的であり、相補的な洞察は未利用のままである。
RIGID(Research-Integrated, Generative AI-Mediated Instructional Design)は、分析、設計、実装、評価フェーズにまたがるIDワークフローにわたるLS研究を統合する統合フレームワークである。
RIGIDフレームワークは、人間の専門知識の中心的な役割を保ちながら、運用と文脈に敏感な研究統合された教育設計を可能にするための体系的なアプローチを提供する。
関連論文リスト
- SHAPR: A Solo Human-Centred and AI-Assisted Practice Framework for Research Software Development [0.0]
本稿では,SHAPR(Solo, Human-centred, AI-assisted Practice)を実践レベルの運用フレームワークとして提案する。
本研究は,研究ソフトウェア開発,人間-AIコラボレーション,リフレクティブラーニングを明示的にリンクすることによって,SHAPRが知識生産とHDR研究者のトレーニングの両方をサポートする方法について,より広範な議論に寄与する。
論文 参考訳（メタデータ） (2026-02-12T22:02:39Z) - Towards AI-Supported Research: a Vision of the TIB AIssistant [6.36260975777314]
我々は、領域に依存しない人間と機械の協調プラットフォームであるTIB AIsistantのビジョンを提示する。
提案手法の有効性と潜在的な影響を実証する早期プロトタイプのコンセプトフレームワーク,システムアーキテクチャ,実装について述べる。
論文 参考訳（メタデータ） (2025-12-18T12:08:46Z) - Learning to Code with Context: A Study-Based Approach [0.28675177318965045]
生成AIツールの急速な出現は、ソフトウェアの開発方法を変えつつある。
プロジェクトベースのコースは、実世界の開発プラクティスへのAIアシストの統合を探求し、評価するための効果的な環境を提供する。
本稿では,学生が共同でコンピュータゲームを開発する大学プログラミングプロジェクトにおいて,本手法とユーザスタディについて述べる。
論文 参考訳（メタデータ） (2025-12-04T20:40:36Z) - Deep Research: A Systematic Survey [118.82795024422722]
Deep Research (DR)は、大規模言語モデルの推論能力と検索エンジンなどの外部ツールを組み合わせることを目的としている。
本調査は,深層研究システムの包括的かつ体系的な概要を提示する。
論文 参考訳（メタデータ） (2025-11-24T15:28:28Z) - A Comprehensive Survey on Benchmarks and Solutions in Software Engineering of LLM-Empowered Agentic System [56.40989626804489]
この調査は、Large Language Modelsを使ったソフトウェアエンジニアリングに関する、最初の総合的な分析を提供する。
本稿では,150以上の最近の論文をレビューし,(1)素早い,微調整,エージェントベースのパラダイムに分類した解法,(2)コード生成,翻訳,修復などのタスクを含むベンチマークという2つの重要な側面に沿った分類法を提案する。
論文 参考訳（メタデータ） (2025-10-10T06:56:50Z) - Requirements for Game-Based Learning Design Framework for Information System Integration in the Context of Post-Merger Integration [0.0]
マージ後の統合は、情報システム統合に責任を持つ専門家にとってユニークな課題である。
この文脈では、情報システム統合のためのトレーニングには大きなギャップがあります。
本稿では,静的な学習経験を学習体験に変換することで,ゲームベースの学習設計がこれらの制約にどう対処できるかを考察する。
論文 参考訳（メタデータ） (2025-10-07T17:25:44Z) - Designing LMS and Instructional Strategies for Integrating Generative-Conversational AI [0.0]
本研究では,AIを活用した学習管理システムを構築するための構造化フレームワークを提案する。
生成AIと会話AIを統合し、適応的でインタラクティブで学習者中心の教育をサポートする。
論文 参考訳（メタデータ） (2025-08-31T06:01:50Z) - Cross-Task Experiential Learning on LLM-based Multi-Agent Collaboration [63.90193684394165]
マルチエージェント・クロスタスク体験学習(MAEL)は,LSM駆動型エージェントに明示的なクロスタスク学習と経験蓄積を付与する新しいフレームワークである。
経験的学習フェーズでは、タスク解決ワークフローの各ステップの品質を定量化し、その結果の報酬を記憶する。
推論中、エージェントは、各推論ステップの有効性を高めるために、いくつかの例として、高頻度のタスク関連体験を検索する。
論文 参考訳（メタデータ） (2025-05-29T07:24:37Z) - L2Explorer: A Lifelong Reinforcement Learning Assessment Environment [49.40779372040652]
強化学習ソリューションは、トレーニングされたデータ配布以外の新しいタスクに晒されると、あまり一般化しない傾向があります。
生涯学習エクスプローラー(L2Explorer)を用いた継続的強化学習開発と評価のための枠組みを導入する。
L2Explorerは新しいUnityベースのファーストパーソンな3D探索環境で、複雑な評価カリキュラムに構造化されたタスクやタスクのバリエーションを生成するために継続的に再構成することができる。
論文 参考訳（メタデータ） (2022-03-14T19:20:26Z)
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。