論文の概要: EDM-ARS: A Domain-Specific Multi-Agent System for Automated Educational Data Mining Research

• arxiv url: http://arxiv.org/abs/2603.18273v1
• Date: Wed, 18 Mar 2026 20:45:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:05.844396
• Title: EDM-ARS: A Domain-Specific Multi-Agent System for Automated Educational Data Mining Research
• Title（参考訳）: EDM-ARS:自動教育データマイニング研究のためのドメイン特化マルチエージェントシステム
• Authors: Chenguang Pan, Zhou Zhang, Weixuan Xiao, Chengyuan Yao,
• Abstract要約: EDM-ARSは、エンドツーエンドの教育データマイニング(EDM)研究を自動化する、ドメイン固有のマルチエージェントパイプラインである。 我々は、EDM-ARSをドメイン認識自動研究パイプラインの一般的なフレームワークとして概念化している。 EDM-ARSは、教育研究コミュニティを支援するオープンソースプロジェクトとしてリリースされた。
• 参考スコア（独自算出の注目度）: 1.8735250835432133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this technical report, we present the Educational Data Mining Automated Research System (EDM-ARS), a domain-specific multi-agent pipeline that automates end-to-end educational data mining (EDM) research. We conceptualize EDM-ARS as a general framework for domain-aware automated research pipelines, where educational expertise is embedded into each stage of the research lifecycle. As a first instantiation of this framework, we focus on predictive modeling tasks. Within this scope, EDM-ARS orchestrates five specialized LLM-powered agents (ProblemFormulator, DataEngineer, Analyst, Critic, and Writer) through a state-machine coordinator that supports revision loops, checkpoint-based recovery, and sandboxed code execution. Given a research prompt and a dataset, EDM-ARS produces a complete LaTeX manuscript with real Semantic Scholar citations, validated machine learning analyses, and automated methodological peer review. We also provide a detailed description of the system architecture, the three-tier data registry design that encodes educational domain expertise, the specification of each agent, the inter-agent communication protocol, and mechanisms for error-handling and self-correction. Finally, we discuss current limitations, including single-dataset scope and formulaic paper output, and outline a phased roadmap toward causal inference, transfer learning, psychometric, and multi-dataset generalization. EDM-ARS is released as an open-source project to support the educational research community.
• Abstract（参考訳）: 本稿では、エンド・ツー・エンドの教育データマイニング(EDM)研究を自動化するドメイン固有のマルチエージェントパイプラインである教育データマイニング自動化研究システム(EDM-ARS)について述べる。 我々は、EDM-ARSをドメイン認識自動研究パイプラインの一般的なフレームワークとして概念化し、研究ライフサイクルの各段階に教育的専門知識が組み込まれている。 このフレームワークの最初のインスタンス化として、予測モデリングタスクに焦点を当てる。 このスコープ内では、EDM-ARSは、リビジョンループ、チェックポイントベースのリカバリ、サンドボックスコード実行をサポートするステートマシンコーディネータを通じて、5つの特殊なLLMエージェント(ProblemFormulator、DataEngineer、Analyst、Critic、Writer)をオーケストレーションする。 研究のプロンプトとデータセットが与えられたEDM-ARSは、実際のSemantic Scholar引用、検証された機械学習分析、自動方法論ピアレビューを備えた完全なLaTeX原稿を生成する。 また、システムアーキテクチャ、教育分野の専門知識を符号化する3層データレジストリ設計、各エージェントの仕様、エージェント間通信プロトコル、エラー処理と自己訂正のメカニズムについて詳述する。 最後に、単一データセットのスコープや定式紙の出力を含む現在の制限について論じ、因果推論、伝達学習、心理測定、マルチデータセットの一般化に向けた段階的なロードマップを概説する。 EDM-ARSは、教育研究コミュニティを支援するオープンソースプロジェクトとしてリリースされた。

関連論文リスト

• Advances and Frontiers of LLM-based Issue Resolution in Software Engineering: A Comprehensive Survey [59.3507264893654]
  課題解決は、現実世界の開発に不可欠な複雑なソフトウェアエンジニアリングタスクです。 SWE-benchのようなベンチマークでは、このタスクは大規模言語モデルでは極めて困難であることが判明した。 本稿では,この新興領域を体系的に調査する。
  論文  参考訳（メタデータ） (2026-01-15T18:55:03Z)
• 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)
• Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
  Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。 本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
  論文  参考訳（メタデータ） (2025-06-22T16:52:48Z)
• JARVIS: A Multi-Agent Code Assistant for High-Quality EDA Script Generation [3.6946337486060776]
  JARVISは、LLM(Large Language Models)とドメインの専門知識を活用して、EDAタスクのための高品質なスクリプトを生成する、新しいマルチエージェントフレームワークである。 合成データを用いて訓練されたドメイン固有LLM, 構造検証, ルール強制, コード修正機能, 高度な検索機構のカスタムコンパイラを組み合わせることにより, 本手法は最先端のドメイン固有モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-05-20T23:40:57Z)
• System for systematic literature review using multiple AI agents: Concept and an empirical evaluation [3.453564255183234]
  体系的文献レビュー(SLR)は証拠に基づく研究の基礎である。 本稿では,SLRの完全自動化を目的とした新しいマルチAIエージェントシステムを提案する。 包括性と精度を維持しつつ,従来のSLRに必要な時間と労力を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2024-03-13T10:27:52Z)

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。