論文の概要: Representation Learning to Study Temporal Dynamics in Tutorial Scaffolding
- arxiv url: http://arxiv.org/abs/2603.24535v1
- Date: Wed, 25 Mar 2026 17:11:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-26 21:06:11.401939
- Title: Representation Learning to Study Temporal Dynamics in Tutorial Scaffolding
- Title（参考訳）: チュータスキャッフィングにおけるテンポラルダイナミクスの表現学習
- Authors: Conrad Borchers, Jiayi Zhang, Ashish Gurung,
- Abstract要約: アダプティブ・スキャフォールディングは学習を促進するが、実際の学習対話の中でそれを測定するための堅牢な方法が欠如している。
本稿では,対話のターン,問題文,正しい解のセマンティクスを整合させることにより,足場動態を解析する埋め込み型手法を提案する。
我々は,この枠組みを,Eedi Question Anchored Tutoring Dialoguesデータセットから,実世界の1,576のチュータリング対話に適用した。
- 参考スコア（独自算出の注目度）: 9.91280795515591
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adaptive scaffolding enhances learning, yet the field lacks robust methods for measuring it within authentic tutoring dialogue. This gap has become more pressing with the rise of remote human tutoring and large language model-based systems. We introduce an embedding-based approach that analyzes scaffolding dynamics by aligning the semantics of dialogue turns, problem statements, and correct solutions. Specifically, we operationalize alignment by computing cosine similarity between tutor and student contributions and task-relevant content. We apply this framework to 1,576 real-world mathematics tutoring dialogues from the Eedi Question Anchored Tutoring Dialogues dataset. The analysis reveals systematic differences in task alignment and distinct temporal patterns in how participants ground their contributions in problem and solution content. Further, mixed-effects models show that role-specific semantic alignment predicts tutorial progression beyond baseline features such as message order and length. Tutor contributions exhibited stronger grounding in problem content early in interactions. In contrast, student solution alignment was modestly positively associated with progression. These findings support scaffolding as a continuous, role-sensitive process grounded in task semantics. By capturing role-specific alignment over time, this approach provides a principled method for analyzing instructional dialogue and evaluating conversational tutoring systems.
- Abstract（参考訳）: アダプティブ・スキャフォールディングは学習を促進するが、実際の学習対話の中でそれを測定するための堅牢な方法が欠如している。
このギャップは、遠隔教育と大規模言語モデルベースのシステムの台頭により、ますます強まりつつある。
本稿では,対話のターン,問題文,正しい解のセマンティクスを整合させることにより,足場動態を解析する埋め込み型手法を提案する。
具体的には、教師と学生のコントリビューションとタスク関連コンテンツとのコサイン類似性を計算し、アライメントを運用する。
我々は,この枠組みを,Eedi Question Anchored Tutoring Dialoguesデータセットから,実世界の1,576のチュータリング対話に適用した。
この分析は、課題のアライメントと、参加者が問題や解決内容に貢献する方法における時間的パターンの系統的差異を明らかにする。
さらに、複合効果モデルでは、ロール固有のセマンティックアライメントは、メッセージの順序や長さなどのベースライン機能を超えたチュートリアルの進行を予測する。
チューターの貢献は、相互作用の初期における問題内容の基盤を強く示していた。
対照的に,学生のソリューションアライメントは,進行とわずかに正の相関を示した。
これらの知見は、タスクセマンティクスを基盤とした、継続的かつロールに敏感なプロセスとして、足場構築を支援する。
時間とともに役割特異的なアライメントを捉えることにより、指導対話を分析し、会話学習システムを評価するための原則的手法を提供する。
関連論文リスト
- Towards Actionable Pedagogical Feedback: A Multi-Perspective Analysis of Mathematics Teaching and Tutoring Dialogue [6.13173513227026]
本稿では,対話行動とドメイン固有の会話動作を統合した多視点談話分析を提案する。
私たちのフレームワークは、人間の教育者からのフィードバックを提供するのに役立ちますが、AIエージェントの開発にも役立ちます。
論文 参考訳（メタデータ） (2025-05-12T00:48:17Z) - Enhancing Talk Moves Analysis in Mathematics Tutoring through Classroom Teaching Discourse [6.1701318546149]
本稿では,会話の動きを用いた数学の授業内容の分析に焦点をあてる。
機械学習モデルを開発するために、広範な学習対話の収集、アノテーション、分析をスケールすることは、困難でリソース集約的なタスクである。
論文 参考訳（メタデータ） (2024-12-18T00:13:04Z) - Unsupervised Mutual Learning of Discourse Parsing and Topic Segmentation in Dialogue [37.618612723025784]
対話システムでは、会話の焦点の管理と対話のコーディネートにおいて、会話が重要な役割を果たす。
修辞的構造と主題的構造という2つの重要な構造から構成される。
我々は、修辞構造とトピック構造を統合する統一表現を導入し、それら間のセマンティック一貫性を確保する。
本稿では,レトリック構造とトピック構造を協調的にモデル化し,追加アノテーションを必要とせずに相互に強化できる教師なし相互学習フレームワーク(UMLF)を提案する。
論文 参考訳（メタデータ） (2024-05-30T08:10:50Z) - Revisiting Conversation Discourse for Dialogue Disentanglement [88.3386821205896]
本稿では,対話談話特性を最大限に活用し,対話の絡み合いを高めることを提案する。
我々は,会話の意味的文脈をより良くモデル化するために,リッチな構造的特徴を統合する構造認識フレームワークを開発した。
我々の研究は、より広範なマルチスレッド対話アプリケーションを促進する大きな可能性を秘めている。
論文 参考訳（メタデータ） (2023-06-06T19:17:47Z) - Learning to Memorize Entailment and Discourse Relations for
Persona-Consistent Dialogues [8.652711997920463]
既存の作業は、高度ネットワーク構造を持つ対話者ペルソナを意図的に学習することで、対話システムの性能を改善した。
本研究は,ペルソナ一貫性のある対話課題における係り受け関係と談話関係を記憶する学習方法を提案する。
論文 参考訳（メタデータ） (2023-01-12T08:37:00Z) - Utterance Rewriting with Contrastive Learning in Multi-turn Dialogue [22.103162555263143]
比較学習とマルチタスク学習を導入し、問題を共同でモデル化する。
提案手法は,複数の公開データセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2022-03-22T10:13:27Z) - Progressively Guide to Attend: An Iterative Alignment Framework for
Temporal Sentence Grounding [53.377028000325424]
時間的文接地作業のための反復アライメントネットワーク(IA-Net)を提案する。
学習可能なパラメータを持つマルチモーダル特徴をパットすることで、非整合フレームワードペアの非整合問題を軽減する。
また、アライメントの知識を洗練させるために、各アライメントモジュールに従ってキャリブレーションモジュールを考案する。
論文 参考訳（メタデータ） (2021-09-14T02:08:23Z) - Structured Attention for Unsupervised Dialogue Structure Induction [110.12561786644122]
本稿では、構造化された注意層を離散潜在状態を持つ変化型リカレントニューラルネットワーク(VRNN)モデルに組み込んで、教師なしの方法で対話構造を学ぶことを提案する。
バニラVRNNと比較して、構造化された注意は、構造的帰納バイアスを強制しながら、ソース文の埋め込みの異なる部分にフォーカスすることができる。
論文 参考訳（メタデータ） (2020-09-17T23:07:03Z) - Learning an Effective Context-Response Matching Model with
Self-Supervised Tasks for Retrieval-based Dialogues [88.73739515457116]
我々は,次のセッション予測,発話復元,不整合検出,一貫性判定を含む4つの自己教師型タスクを導入する。
我々はPLMに基づく応答選択モデルとこれらの補助タスクをマルチタスク方式で共同で訓練する。
実験結果から,提案した補助的自己教師型タスクは,多ターン応答選択において大きな改善をもたらすことが示された。
論文 参考訳（メタデータ） (2020-09-14T08:44:46Z) - Masking Orchestration: Multi-task Pretraining for Multi-role Dialogue
Representation Learning [50.5572111079898]
マルチロール対話理解は、質問応答、行動分類、対話要約など、幅広い多様なタスクを含む。
対話コーパスは豊富に利用可能であるが、特定の学習タスクのためのラベル付きデータは非常に不足しており、高価である。
本研究では,教師なし事前学習タスクを用いた対話文脈表現学習について検討する。
論文 参考訳（メタデータ） (2020-02-27T04:36:52Z)
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。