論文の概要: SLOW: Strategic Logical-inference Open Workspace for Cognitive Adaptation in AI Tutoring

• arxiv url: http://arxiv.org/abs/2603.28062v1
• Date: Mon, 30 Mar 2026 06:01:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.248262
• Title: SLOW: Strategic Logical-inference Open Workspace for Cognitive Adaptation in AI Tutoring
• Title（参考訳）: SLOW:AIチューニングにおける認知適応のための戦略的論理推論オープンワークスペース
• Authors: Yuang Wei, Ruijia Li, Bo Jiang,
• Abstract要約: 大規模言語モデル (LLM) は教育対話において顕著な流布を示した。 ほとんどの生成チューターは直感的でシングルパス生成によって動作する。 本研究では,学習者の意図的推論を支援する理論インフォームド・チューリング・フレームワークであるSLOWを提案する。
• 参考スコア（独自算出の注目度）: 5.563865143843112
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While Large Language Models (LLMs) have demonstrated remarkable fluency in educational dialogues, most generative tutors primarily operate through intuitive, single-pass generation. This reliance on fast thinking precludes a dedicated reasoning workspace, forcing multiple diagnostic and strategic signals to be processed in a conflated manner. As a result, learner cognitive diagnosis, affective perception, and pedagogical decision-making become tightly entangled, which limits the tutoring system's capacity for deliberate instructional adaptation. We propose SLOW, a theory-informed tutoring framework that supports deliberate learner-state reasoning within a transparent decision workspace. Inspired by dual-process accounts of human tutoring, SLOW explicitly separates learner-state inference from instructional action selection. The framework integrates causal evidence parsing from learner language, fuzzy cognitive diagnosis with counterfactual stability analysis, and prospective affective reasoning to anticipate how instructional choices may influence learners' emotional trajectories. These signals are jointly considered to guide pedagogically and affectively aligned tutoring strategies. Evaluation using hybrid human-AI judgments demonstrates significant improvements in personalization, emotional sensitivity, and clarity. Ablation studies further confirm the necessity of each module, showcasing how SLOW enables interpretable and reliable intelligent tutoring through a visualized decision-making process. This work advances the interpretability and educational validity of LLM-based adaptive instruction.
• Abstract（参考訳）: 大規模言語モデル(LLM)は教育対話において顕著な流布を示してきたが、ほとんどの生成的家庭教師は直感的な単一パス生成によって運営されている。 この高速思考への依存は、専門的な推論作業空間を阻害し、複数の診断信号と戦略信号の融合処理を強制する。 その結果,学習者の認知診断,情緒的知覚,教育的意思決定が密接に絡み合うようになり,学習システムの意図的な指導適応能力が制限される。 本研究では,学習者の意図的推論を透過的な意思決定作業空間内で支援する理論インフォームド・チューリング・フレームワークであるSLOWを提案する。 ヒューマン・チュータリングの二重プロセス・アカウントにインスパイアされたSLOWは、学習者状態の推論を命令的行動選択から明確に分離する。 この枠組みは、学習者の言語から解析する因果的証拠、ファジィ認知診断と反事実的安定性分析、および学習者の感情的軌跡にどのように影響するかを予測するための予測的感情的推論を統合する。 これらの信号は、教育的かつ感情的に整合した学習戦略を導くものと共同で考えられている。 ハイブリッドヒトAI判定を用いた評価は、パーソナライゼーション、感情感受性、明快さの大幅な改善を示す。 アブレーション研究は、各モジュールの必要性をさらに確認し、SLOWが可視化された意思決定プロセスを通じて、解釈可能で信頼性の高い知的なチューリングを可能にしていることを示す。 本研究は,LLMに基づく適応型指導の解釈可能性と教育的妥当性を向上する。

関連論文リスト

• Conversational Learning Diagnosis via Reasoning Multi-Turn Interactive Learning [16.641654527654246]
  ParLDは、会話学習診断のためのプレビュー・アナライズ・レアソンフレームワークである。 マルチエージェントコラボレーションを用いて、学生の認知状態を複数の対話ターンで診断する。
  論文  参考訳（メタデータ） (2026-03-03T18:29:00Z)
• From Co-Design to Metacognitive Laziness: Evaluating Generative AI in Vocational Education [0.0]
  本研究では,シンガポールの職業教育環境における講師を支援するために考案された,生成型AI概念実証(POC)の開発と展開について検討する。 POCは,授業内容の合理化,認知負荷の低減,授業内容のナビゲートに対する生徒の信頼感の向上を報告した。 教育プロセスの強化にもかかわらず、成績データは学生全体の評価結果に有意な改善は示さなかった。 この研究は、依存関係の最小化、メタ認知開発、さまざまな能力レベルにおけるサポートの校正のためにAIツールをどのように構築できるかという、一連の設計上の疑問を提起している。
  論文  参考訳（メタデータ） (2025-12-13T12:26:25Z)
• Decoding Student Minds: Leveraging Conversational Agents for Psychological and Learning Analysis [0.15293427903448018]
  本稿では,教育環境における学習性能と感情的幸福感の両立を目的とした,心理的に認知された会話エージェントを提案する。 このシステムは、知識グラフ強化BERT(KG-BERT)と双方向Long Short-Term Memory(LSTM)を組み合わせて、学生の認知的および情緒的状態をリアルタイムで分類する。
  論文  参考訳（メタデータ） (2025-12-11T09:06:45Z)
• UCO: A Multi-Turn Interactive Reinforcement Learning Method for Adaptive Teaching with Large Language Models [59.693733170193944]
  大規模言語モデル(LLM)は、教育環境において、回答提供者からインテリジェントな家庭教師へとシフトしている。 最近の強化学習アプローチはこの制限に対処するが、2つの重要な課題に直面している。 これらの課題に対処するために一方向認知最適化法(UCO)を提案する。
  論文  参考訳（メタデータ） (2025-11-12T01:27:02Z)
• Discerning minds or generic tutors? Evaluating instructional guidance capabilities in Socratic LLMs [35.33577525791391]
  本研究は,質問生成を超えて指導指導能力を強調する。 実際の教育対話を基盤としたベンチマークである GuideEval を提案する。 本稿では,行動促進型指導対話を活用した行動誘導型微調整戦略を提案する。
  論文  参考訳（メタデータ） (2025-08-08T01:02:44Z)
• Incentivizing Dual Process Thinking for Efficient Large Language Model Reasoning [75.04643265875072]
  大規模推論モデル(LRM)は複雑な推論タスクに対して強い性能を示してきたが、しばしば過度に考えることに悩まされている。 認知科学における二重プロセス理論に着想を得て,適応認知政策最適化を提案する。 ACPOは、適応的な認知アロケーションと動的システムスイッチによって、LRMの効率的な推論を可能にする。
  論文  参考訳（メタデータ） (2025-05-22T07:15:08Z)
• From Problem-Solving to Teaching Problem-Solving: Aligning LLMs with Pedagogy using Reinforcement Learning [82.50157695987558]
  大規模言語モデル(LLM)は教育を変換することができるが、直接質問応答のための最適化はしばしば効果的な教育を損なう。 オンライン強化学習(RL)に基づくアライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-21T15:00:07Z)
• From Heuristic to Analytic: Cognitively Motivated Strategies for Coherent Physical Commonsense Reasoning [66.98861219674039]
  ヒューリスティック分析推論(HAR)戦略は、モデル決定のための合理化のコヒーレンスを大幅に改善する。 以上の結果から, PLM推論の一貫性と信頼性を効果的に向上できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-10-24T19:46:04Z)

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。