論文の概要: Beyond the AI Tutor: Social Learning with LLM Agents

• arxiv url: http://arxiv.org/abs/2604.02677v1
• Date: Fri, 03 Apr 2026 03:17:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.298414
• Title: Beyond the AI Tutor: Social Learning with LLM Agents
• Title（参考訳）: AIチュートリアルを超えて - LLMエージェントによるソーシャルラーニング
• Authors: Harsh Kumar, Zi Kang, Mu, Jonathan Vincentius, Ashton Anderson,
• Abstract要約: 異なる学習コンテキストにまたがる2つの実験について述べる。 我々は、よりリッチなエージェント構成への1対1のAI教育への移行が、人間の社会学習研究で長年記録されてきた協調的および観察的利益を解き放つことができるかどうかを検討する。
• 参考スコア（独自算出の注目度）: 9.933416370629923
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most AI-based educational tools today adopt a one-on-one tutoring paradigm, pairing a single LLM with a single learner. Yet decades of learning science research suggest that multi-party interaction -- through peer modeling, co-construction, and exposure to diverse perspectives -- can produce learning benefits that dyadic tutoring alone cannot. In this paper, we investigate whether multi-agent LLM configurations can enhance learning outcomes beyond what a single LLM tutor provides. We present two controlled experiments spanning distinct learning contexts. In a convergent problem-solving study ($N=315$), participants tackle SAT-level math problems in a 2$\times$2 design that varies the presence of an LLM tutor and LLM peers, each making different kinds of errors (conceptual vs.\ arithmetic); participants who interacted with both a tutor and peers achieved the highest unassisted test accuracy. In a divergent composition study ($N=247$), participants write argumentative and creative essays with either no AI assistance, a single LLM (Claude or ChatGPT), or both Claude and ChatGPT together; while both LLM conditions improved essay quality, only the two-agent condition avoided the idea-level homogeneity that single-model assistance was found to produce. Together, these studies offer one of the first controlled investigations of multi-agent LLM learning environments, probing whether the move from one-on-one AI tutoring toward richer agent configurations can unlock the collaborative and observational benefits long documented in human social learning research.
• Abstract（参考訳）: 現在、AIベースの教育ツールのほとんどは、1対1の学習パラダイムを採用しており、1つのLLMと1つの学習者とをペアリングしている。 しかし、何十年にもわたって学習科学の研究は、ピアモデリング、共同構築、多様な視点への露出を通じて、複数のパーティの相互作用が、ダイアドの家庭教師だけではできない学習の恩恵をもたらすことを示唆している。 本稿では,複数エージェントのLLM構成が1つのLLMチューターが提供する以上の学習結果を向上させることができるかどうかを検討する。 異なる学習文脈にまたがる2つの制御実験について述べる。 収束問題解決研究(N=315ドル)では、参加者はSATレベルの数学問題に2ドル(約2万2000円)で取り組み、LLMチューターとLLMピアの存在を変える。 算術) 教師とピアの両方と相互作用する参加者は, 未支援テストの精度が最も高かった。 N=247$の散逸したコンポジションスタディでは、参加者はAIアシストのない議論的・創造的なエッセイ、単一のLLM(ClaudeまたはChatGPT)、あるいはClaudeとChatGPTの2つのエッセイを書いた。 これらの研究は、マルチエージェントのLLM学習環境に関する最初の制御された調査の1つであり、よりリッチなエージェント構成への1対1のAI学習の移行が、人間の社会学習研究で長年記録されてきた協調的および観察的利益を解き放つことができるかどうかを検証している。

関連論文リスト

• Interactive Learning for LLM Reasoning [31.453846641515472]
  本稿では,大規模言語モデルの独立した問題解決能力を高めるために,マルチエージェントインタラクションが有効かどうかを検討する。 動的インタラクションと知覚を統合した新しいコラーニングフレームワークであるIRRを紹介する。 ILRはシングルエージェント学習を一貫して上回り、最強のベースラインよりも最大5%向上した。
  論文  参考訳（メタデータ） (2025-09-30T14:21:31Z)
• Lessons Learned: A Multi-Agent Framework for Code LLMs to Learn and Improve [9.893319057671711]
  エージェントのチームは、お互いの成功と失敗から学び、自身のパフォーマンスを改善することができる、と私たちは主張する。 本研究では,授業ベースのコラボレーションフレームワークを提案し,授業ソリケーション-バンク選択機構を設計し,学習した小さなLLMのチームがより大きなLLMを上回り得ることを示す。
  論文  参考訳（メタデータ） (2025-05-29T18:56:20Z)
• When One LLM Drools, Multi-LLM Collaboration Rules [98.71562711695991]
  私たちは、データ、スキル、人々の幅広い多様性を表現するために、マルチLLMコラボレーションを議論しています。 既存のマルチLLM協調手法を,アクセスレベルと情報交換レベルに基づいて階層構造に整理する。 コンポジションインテリジェンスとコラボレーティブAI開発への不可欠な道として,マルチLLMコラボレーションを構想する。
  論文  参考訳（メタデータ） (2025-02-06T21:13:44Z)
• Satori: Reinforcement Learning with Chain-of-Action-Thought Enhances LLM Reasoning via Autoregressive Search [57.28671084993782]
  大規模言語モデル(LLM)は、様々な領域にまたがる顕著な推論能力を示している。 近年の研究では、テスト時間計算の増加はLLMの推論能力を高めることが示されている。 そこで我々は,1)COAT推論形式を内部化するための小規模な形式調整段階,2)強化学習を活用した大規模自己改善段階を提案する。
  論文  参考訳（メタデータ） (2025-02-04T17:26:58Z)
• MALT: Improving Reasoning with Multi-Agent LLM Training [67.76186488361685]
  MALT(Multi-Agent LLM Training)は、推論プロセスを生成、検証、改善ステップに分割する、新しいポストトレーニング戦略である。 MATH、GSM8K、CSQAでは、MALTは、それぞれ15.66%、7.42%、9.40%の相対的な改善で同じベースラインLLMを上回っている。
  論文  参考訳（メタデータ） (2024-12-02T19:30:36Z)
• Supporting Self-Reflection at Scale with Large Language Models: Insights from Randomized Field Experiments in Classrooms [7.550701021850185]
  本研究では,大規模言語モデル (LLMs) が学生の反省会後リフレクションに役立てる可能性について検討する。 大学コンピュータサイエンス科でランダムフィールド実験を2回行った。
  論文  参考訳（メタデータ） (2024-06-01T02:41:59Z)
• Corex: Pushing the Boundaries of Complex Reasoning through Multi-Model Collaboration [83.4031923134958]
  Corexは,大規模言語モデルを自律エージェントに変換する,新たな汎用戦略スイートだ。 人間の振る舞いにインスパイアされたCorexは、Debate、Review、Retrieveモードといった多様なコラボレーションパラダイムによって構成されている。 我々は,複数のLDMを協調的に演奏することで,既存の手法に比べて性能が著しく向上することが実証された。
  論文  参考訳（メタデータ） (2023-09-30T07:11:39Z)

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。