論文の概要: Misconception Acquisition Dynamics in Large Language Models

• arxiv url: http://arxiv.org/abs/2604.00818v1
• Date: Wed, 01 Apr 2026 12:25:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.982688
• Title: Misconception Acquisition Dynamics in Large Language Models
• Title（参考訳）: 大規模言語モデルにおけるミスコンセプション獲得ダイナミクス
• Authors: Naiming Liu, Xinghe Chen, Richard Baraniuk, Mrinmaya Sachan, Shashank Sonkar,
• Abstract要約: 本研究では,初等生の誤解モデルと専門家の誤解モデルという,誤解を意識した2つのモデルについて検討する。 我々は、正しい解トレースと誤概念固有の誤トレースを持つ代数問題を生成するライブラリであるMalAlgoLibを開発する。 実験の結果,学生と教師モデルでは,誤解獲得のダイナミクスが根本的に異なることが明らかとなった。
• 参考スコア（独自算出の注目度）: 41.92200721590384
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective educational AI depends on modeling student misconceptions. Such models enable realistic learner simulation and diagnostic, adaptive tutoring. However, instruction-tuning large language models on student responses containing misconception errors can degrade reasoning abilities, creating a tension between faithful misconception modeling and preserving correct reasoning in other contexts. To support both learner simulation and tutoring, we study two misconception-aware models: the Novice Student Misconception Model, trained to acquire a single misconception for simulating an individual student, and the Expert Tutor Misconception Model, trained on multiple misconceptions to capture the error patterns a tutor encounters across students. To study the misconception acquisition dynamics of both models, we develop MalAlgoLib, a library that generates algebra problems with correct solution traces and misconception-specific erroneous traces. Our experiments across three LLMs reveal that the student and the tutor model exhibit fundamentally different misconception acquisition dynamics. For the student model, a single misconception is not learned as a context-specific behavior. Models overapply it across problems, degrading correct-solving accuracy unless training includes correct examples to enforce boundaries. In contrast, the tutor model can learn multiple misconceptions jointly without sacrificing correct-solving accuracy. Critically, intermediate reasoning steps are the bottleneck. With final-answer supervision alone, models cannot learn where error enters the solution, so neither the student model nor the tutor model acquires misconceptions regardless of data size. Together, these results, enabled by MalAlgoLib, provide an interpretable account of misconception acquisition under instruction tuning and guidance for training misconception-aware LLMs while preserving correct reasoning.
• Abstract（参考訳）: 効果的な教育AIは、学生の誤解をモデル化することに依存する。 このようなモデルにより、現実的な学習者シミュレーションと診断、適応型チュータが実現される。 しかし、誤認識エラーを含む学生の反応に基づく大規模言語モデルは、推論能力の低下を招き、忠実な誤解モデリングと他の文脈における正しい推論の保存の間に緊張を生じさせる。 学習者のシミュレーションと教師の双方を支援するために,初等生の誤認識モデルと,学生同士が遭遇する誤りパターンを捉えるために,複数の誤認識を訓練した専門家の誤認識モデルという,誤認識を意識した2つのモデルについて検討した。 両モデルの誤概念獲得ダイナミクスを研究するために,正しい解トレースと誤概念固有の誤トレースを持つ代数問題を生成するライブラリであるMalAlgoLibを開発した。 3つのLSMを対象とした実験により,学生と教師モデルでは,誤解獲得のダイナミクスが根本的に異なることが明らかとなった。 学生モデルでは、コンテキスト固有の行動として単一の誤解が学習されない。 モデルは問題を過度に適用し、トレーニングに境界を強制する正しい例が含まれない限り、正しい解決精度を低下させる。 対照的に、チューターモデルは正しい解法精度を犠牲にすることなく、複数の誤解を共同で学習することができる。 批判的に、中間的推論ステップがボトルネックです。 最終回答の監督だけでは、モデルはエラーがどこからソリューションに入るかを学ぶことができないため、学生モデルもチューターモデルも、データサイズに関係なく誤解を取得することはない。 これらの結果はMalAlgoLibによって実現され、インストラクションチューニングによる誤認識獲得の解釈可能な説明と、正しい推論を保ちながら誤認識を意識したLPMをトレーニングするためのガイダンスを提供する。

関連論文リスト

• Can LLMs Model Incorrect Student Reasoning? A Case Study on Distractor Generation [46.210941814500906]
  本研究は,大規模言語モデル (LLM) が複数選択の散逸を発生させる際の誤解に対する理由について検討する。 私たちの構造化分析は、彼らのプロセスとベストプラクティスの驚くほどの一致を明らかにします。
  論文  参考訳（メタデータ） (2026-03-16T17:09:41Z)
• Learning to Make MISTAKEs: Modeling Incorrect Student Thinking And Key Errors [58.65143578052761]
  本稿では,推論誤りの高品質な合成例を構成する新しい手法であるMISTAKEを提案する。 3つの教育課題において,MISTAKEを評価した結果,(1)誤答のシミュレーションにおいて高い精度が得られた。
  論文  参考訳（メタデータ） (2025-10-13T15:10:38Z)
• LLM-based Cognitive Models of Students with Misconceptions [55.29525439159345]
  本稿では,この2つの要件を満たすためにLLM(Large Language Models)を命令調整できるかどうかを検討する。 真正な学生ソリューションパターンを反映したデータセットを生成する新しいPythonライブラリであるMalAlgoPyを紹介する。 我々の洞察は、AIに基づく学生モデルの理解を高め、効果的な適応学習システムへの道を開く。
  論文  参考訳（メタデータ） (2024-10-16T06:51:09Z)
• Stepwise Verification and Remediation of Student Reasoning Errors with Large Language Model Tutors [78.53699244846285]
  大規模言語モデル(LLM)は、高品質なパーソナライズされた教育を全員に拡大する機会を提供する。 LLMは、学生のエラーを正確に検知し、これらのエラーに対するフィードバックを調整するのに苦労する。 教師が学生の誤りを識別し、それに基づいて回答をカスタマイズする現実世界の教育実践に触発され、我々は学生ソリューションの検証に焦点をあてる。
  論文  参考訳（メタデータ） (2024-07-12T10:11:40Z)

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。