論文の概要: BLADE: Better Language Answers through Dialogue and Explanations

• arxiv url: http://arxiv.org/abs/2604.03236v1
• Date: Sat, 31 Jan 2026 06:13:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:13.805298
• Title: BLADE: Better Language Answers through Dialogue and Explanations
• Title（参考訳）: BLADE: 対話と説明によるより良い言語回答
• Authors: Chathuri Jayaweera, Bonnie J. Dorr,
• Abstract要約: 本稿では,会話アシスタントBLADE(Better Language Answers through Dialogue and Explanations)を紹介する。 BLADEは、コースコンテンツに対する検索拡張生成(RAG)フレームワークを使用している。 BLADEは最終的な回答を提供する代わりに、概念的理解をサポートするためにソースと直接の関わりを促す。
• 参考スコア（独自算出の注目度）: 3.5164356851161984
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Large language model (LLM)-based educational assistants often provide direct answers that short-circuit learning by reducing exploration, self-explanation, and engagement with course materials. We present BLADE (Better Language Answers through Dialogue and Explanations), a grounded conversational assistant that guides learners to relevant instructional resources rather than supplying immediate solutions. BLADE uses a retrieval-augmented generation (RAG) framework over curated course content, dynamically surfacing pedagogically relevant excerpts in response to student queries. Instead of delivering final answers, BLADE prompts direct engagement with source materials to support conceptual understanding. We conduct an impact study in an undergraduate computer science course, with different course resource configurations and show that BLADE improves students' navigation of course resources and conceptual performance compared to simply providing the full inventory of course resources. These results demonstrate the potential of grounded conversational AI to reinforce active learning and evidence-based reasoning.
• Abstract（参考訳）: 大規模言語モデル(LLM)ベースの教育アシスタントは、探索、自己説明、コース教材との関わりを減らし、短絡学習の直接的な答えを提供することが多い。 本稿では,直近のソリューションを提供するのではなく,学習者を関連する教育資源に誘導する対話型アシスタントBLADEについて紹介する。 BLADEは、カリキュラムされたコースコンテンツの上にRAG(Research-augmented Generation)フレームワークを使用し、学生の問い合わせに応じて動的に教育学的に関連する抜粋を提示する。 BLADEは最終的な回答を提供する代わりに、概念的理解をサポートするためにソースと直接の関わりを促す。 我々は,学部のコンピュータ科学コースにおいて,異なるコース資源構成によるインパクトスタディを実施し,BLADEは,コースリソースの完全な在庫を提供することに比べて,学生のコースリソースのナビゲーションと概念的パフォーマンスを改善することを示す。 これらの結果は、活発な学習とエビデンスに基づく推論を強化するために、基盤となる会話型AIの可能性を示している。

関連論文リスト

• Design and Deployment of a Course-Aware AI Tutor in an Introductory Programming Course [3.8144358095849946]
  大規模言語モデル(LLM)は、学生がプログラミングタスクを解く方法の一部となり、即座に説明し、完全なソリューションも提供してきた。 これまでの研究では、初心者プログラマはLLMに大きく依存しているため、自分たちの問題解決スキルを欠いていることが強調されていた。 我々は、完全なソリューションを生成することなく、検索強化されたコースアラインガイダンスを提供する、コース固有のオンラインPythonチューターを設計した。
  論文  参考訳（メタデータ） (2026-04-12T08:17:25Z)
• From Slides to Chatbots: Enhancing Large Language Models with University Course Materials [14.450839675608693]
  本研究は,大学教材を取り入れることで,コンピュータ科学科におけるLLM性能が向上するかを考察する。 我々は,LLMをコース固有の知識で拡張する2つの戦略,RAG(Retrieval-Augmented Generation)とCPT(Continuous Pre-Training)を比較した。 実験の結果,大学教材のサイズが比較的小さいため,RAGはCPTよりも効率的かつ効率的であることが判明した。
  論文  参考訳（メタデータ） (2025-10-25T12:31:26Z)
• INTERACT: Enabling Interactive, Question-Driven Learning in Large Language Models [15.825663946923289]
  大規模言語モデル(LLM)は、質問に答える能力は優れているが、知識を疑問視したり洗練したりすることなく、静的データを受動的に吸収する。 本稿では,LLMが学生と教師の対話を通して,対話型,質問駆動型学習にどのように移行できるかを考察する。
  論文  参考訳（メタデータ） (2024-12-16T02:28:53Z)
• Exploring Knowledge Tracing in Tutor-Student Dialogues using LLMs [49.18567856499736]
  本研究では,大規模言語モデル(LLM)が対話学習を支援することができるかどうかを検討する。 我々は,学習者の知識レベルを対話全体にわたって追跡するために,ラベル付きデータに知識追跡(KT)手法を適用した。 我々は,2つの学習対話データセットの実験を行い,従来のKT手法よりも学生の反応の正しさを予測できる新しいLCM-based method LLMKTが優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-24T22:31:39Z)
• A Knowledge Plug-and-Play Test Bed for Open-domain Dialogue Generation [51.31429493814664]
  マルチソース対話知識の選択と応答生成を評価するために,ウィキペディアのマルチソースウィザードというベンチマークを示す。 本稿では,すでに訓練済みの対話モデルを用いて,未確認の情報源からの新たなサポート知識を利用するための新たな課題である対話知識プラグイン・アンド・プレイを提案する。
  論文  参考訳（メタデータ） (2024-03-06T06:54:02Z)
• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)
• Can We Trust AI-Generated Educational Content? Comparative Analysis of Human and AI-Generated Learning Resources [4.528957284486784]
  大規模言語モデル(LLMs)は、大規模に学習教材を迅速に作成する上で、有望なソリューションを提供するように見える。 学習指導活動の一環として,LLMが生み出す資源の質と学生が生み出す資源の質を比較した。 その結果、学生が認識するAI生成リソースの品質は、同僚が生成するリソースの品質と同等であることがわかった。
  論文  参考訳（メタデータ） (2023-06-18T09:49:21Z)
• Empowering Language Models with Knowledge Graph Reasoning for Question Answering [117.79170629640525]
  我々はknOwledge ReasOning empowered Language Model (OREO-LM)を提案する。 OREO-LMは、既存のTransformerベースのLMに柔軟に接続できる新しい知識相互作用層で構成されている。 クローズド・ブック・セッティングにおいて,最先端の成果が得られ,性能が著しく向上した。
  論文  参考訳（メタデータ） (2022-11-15T18:26:26Z)
• Retrieval-Free Knowledge-Grounded Dialogue Response Generation with Adapters [52.725200145600624]
  軽量アダプタで事前学習した言語モデルに事前知識を注入し、検索プロセスをバイパスする KnowExpert を提案する。 実験結果から,KnowExpertは検索ベースラインと相容れない性能を示した。
  論文  参考訳（メタデータ） (2021-05-13T12:33:23Z)

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。