論文の概要: Personality-Driven Student Agent-Based Modeling in Mathematics Education: How Well Do Student Agents Align with Human Learners?

• arxiv url: http://arxiv.org/abs/2603.21358v1
• Date: Sun, 22 Mar 2026 18:43:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.377441
• Title: Personality-Driven Student Agent-Based Modeling in Mathematics Education: How Well Do Student Agents Align with Human Learners?
• Title（参考訳）: 数学教育におけるパーソナリティ駆動型学生エージェントベースモデリング--学生エージェントとヒューマンラーニングの整合性について-
• Authors: Bushi Xiao, Qian Shen,
• Abstract要約: 我々は,学生と教師のインタラクション,自己学習,試験の完全なパイプラインを備えた,ビッグファイブ・パーソナリティに基づく学生エージェントモデルを構築した。 学習者の行動の71.4%が人間の学習者と一致していることがわかった。
• 参考スコア（独自算出の注目度）: 0.9259162918330403
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: It is crucial to explore the impact of different teaching methods on student learning in educational research. However, real-person experiments face significant ethical constraints, and we cannot conduct repeated teaching experiments on the same student. LLM-based generative agents offer a promising avenue for simulating student behavior. Before large-scale experiments, a fundamental question must be addressed: are student agents truly credible, and can they faithfully simulate human learning? In this study, we built a Big Five Personality-based student agent model with a full pipeline of student-teacher interaction, self-study, and examination. To evaluate behavioral fidelity, we collected 13 empirical studies on Big Five traits and learning, and distilled them into 14 criteria. We found that the 71.4% of the student agents' behavior was aligned with human learners.
• Abstract（参考訳）: 教育研究における教育方法の違いが生徒の学習に与える影響について検討することが重要である。 しかし、実人実験は倫理的な制約に直面するため、同じ学生に対して繰り返し教育実験を行うことはできない。 LLMベースの生成エージェントは、生徒の振る舞いをシミュレートするための有望な道を提供する。 学生エージェントは本当に信頼できるのか、彼らは人間の学習を忠実にシミュレートできるのか? 本研究では,ビッグファイブ・パーソナリティに基づく学生エージェントモデルを構築し,学生と教師のインタラクション,自己学習,試験の完全なパイプラインを構築した。 行動の忠実度を評価するため,ビッグファイブの特徴と学習に関する13の実証的研究を収集し,14の基準に抽出した。 学習者の行動の71.4%が人間の学習者と一致していることがわかった。

関連論文リスト

• PATS: Personality-Aware Teaching Strategies with Large Language Model Tutors [66.56586559631516]
  大型言語モデル (LLM) は教育教師としての可能性を秘めている。 しかし、異なる学習戦略は、異なる学生の個性に利益をもたらす。 それにもかかわらず、現在のLLM教育システムは生徒の性格特性を考慮に入れていない。
  論文  参考訳（メタデータ） (2026-01-13T10:17:26Z)
• Simulating Human-Like Learning Dynamics with LLM-Empowered Agents [14.945276470541364]
  本稿では,LearnerAgentについて紹介する。LearnerAgentはLarge Language Models(LLM)に基づく,現実的な教育環境をシミュレートする新しいマルチエージェントフレームワークである。 我々は,Deep, Surface, Lazy-asなどの心理的基盤を持つ学習者やペルソナのない一般学習者を構築し,LLMのデフォルト動作を検査する。 週毎の知識獲得,月毎の戦略的選択,定期的なテスト,ペアインタラクションを通じて,全年にわたる個人学習者の動的学習進捗を追跡することができる。
  論文  参考訳（メタデータ） (2025-08-07T17:57:46Z)
• When LLMs Learn to be Students: The SOEI Framework for Modeling and Evaluating Virtual Student Agents in Educational Interaction [12.070907646464537]
  教室シナリオにおける人格対応型仮想学生エージェント(LVSA)の構築と評価のためのSOEIフレームワークを提案する。 LoRAファインチューニングとエキスパートインフォームドプロンプト設計により,5つのLVSAをBig Five特性に基づいて生成する。 その結果,(1)LLMをベースとした学生エージェントのための教育的,心理的に基盤とした生成パイプライン,(2)行動リアリズムのためのハイブリッドでスケーラブルな評価フレームワーク,(3)LVSAsの教育的有用性に関する実証的な知見が得られた。
  論文  参考訳（メタデータ） (2024-10-21T07:18:24Z)
• Toward In-Context Teaching: Adapting Examples to Students' Misconceptions [54.82965010592045]
  本稿ではAdapTと呼ばれる一連のモデルと評価手法を紹介する。 AToMは、学生の過去の信念を共同で推論し、将来の信念の正しさを最適化する適応教育の新しい確率論的モデルである。 本研究は,適応型学習課題の難しさと,それを解決するための学習適応モデルの可能性を両立させるものである。
  論文  参考訳（メタデータ） (2024-05-07T17:05:27Z)
• EduAgent: Generative Student Agents in Learning [15.215078619481732]
  オンライン教育における学生シミュレーションは,様々な背景を持つ学生の動的学習行動に対処するために重要である。 ディープラーニングに基づく既存のシミュレーションモデルでは、教育的文脈における事前知識が欠如しているため、大規模なトレーニングデータが必要である。 本研究は,認知的事前知識を取り入れた新しい生成エージェントフレームワークであるEduAgentを提案する。
  論文  参考訳（メタデータ） (2024-03-23T18:19:17Z)
• Enhancing Students' Learning Process Through Self-Generated Tests [0.0]
  本稿では,学生の自律学習の促進を目的とした教育実験について述べる。 本研究の主目的は,評価試験に学生の質問を含めることによって,評価プロセスに学生を参加させることである。 学生がアップロードした質問は、登録された生徒全員と、関連する教師全員に表示される。
  論文  参考訳（メタデータ） (2024-03-21T09:49:33Z)
• Leveraging generative artificial intelligence to simulate student learning behavior [13.171768256928509]
  本研究では,大規模言語モデル(LLM)による学生の学習行動のシミュレートの実現可能性について検討する。 従来の機械学習に基づく予測とは異なり、私たちはLLMを活用して、特定の人口層を持つ仮想学生をインスタンス化する。 我々の目的は、学習成果を予測するだけでなく、実際の学生の学習行動やパターンを再現することである。
  論文  参考訳（メタデータ） (2023-10-30T00:09:59Z)
• Character-LLM: A Trainable Agent for Role-Playing [67.35139167985008]
  大規模言語モデル(LLM)は、人間の振る舞いをシミュレートするエージェントとして用いられる。 本稿では, ベートーヴェン, クレオパトラ女王, ユリウス・カエサルなど, LLM に特定の人物として行動するように教えるキャラクタ-LLMを紹介する。
  論文  参考訳（メタデータ） (2023-10-16T07:58:56Z)
• Evaluating and Inducing Personality in Pre-trained Language Models [78.19379997967191]
  人間の個性理論を機械行動研究のツールとして活用することで,心理測定研究からインスピレーションを得た。 これらの疑問に答えるために,機械の動作を研究するためのMachine Personality Inventory(MPI)ツールを紹介した。 MPIは、ビッグファイブ・パーソナリティ・ファクター(Big Five Personality Factors、ビッグファイブ・パーソナリティ・ファクター)理論とパーソナリティ評価在庫に基づく標準化されたパーソナリティ・テストに従う。 パーソナリティ・プロンプト法(P2法)を考案し、特定のパーソナリティを持つLSMを制御可能な方法で誘導する。
  論文  参考訳（メタデータ） (2022-05-20T07:32:57Z)

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。