論文の概要: Thinking in Graphs with CoMAP: A Shared Visual Workspace for Designing Project-Based Learning

• arxiv url: http://arxiv.org/abs/2604.06200v1
• Date: Fri, 13 Mar 2026 06:58:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-12 18:41:08.624919
• Title: Thinking in Graphs with CoMAP: A Shared Visual Workspace for Designing Project-Based Learning
• Title（参考訳）: CoMAPでグラフを考える: プロジェクトベースの学習を設計するための共有ビジュアルワークスペース
• Authors: Ruijia Li, Bo Jiang,
• Abstract要約: グラフベースのコラボレーションパラダイムを具現化したシステムであるCoMAPを紹介する。 30人の教育者を対象にした研究では,CoMAPは教師のデザイン表現,散発的思考,反復的実践を著しく改善することが示された。 これらの結果は、非線型なアーティファクト中心のアプローチが信頼を育み、認知負荷を減らし、カラーフィックス支援教育者が創造的プロセスを制御できることを示しています。
• 参考スコア（独自算出の注目度）: 4.7807641576596165
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Designing project-based learning (PBL) demands managing highly interdependent components, a task that both traditional linear tools and purely conversational AI struggle with. Traditional tools fail to capture the non-linear nature of creative design, while conversational systems lack the persistent, shared context necessary for reflective collaboration. Grounded in theories of distributed cognition, we introduce CoMAP, a system that embodies a graph-based collaboration paradigm. By providing a shared visual workspace with dual-modality AI support, CoMAP transforms the human-AI relationship from a prompt-and-response loop into a transparent and equitable partnership. Our study with 30 educators shows CoMAP significantly improves teachers' design expression, divergent thinking, and iterative practice compared to a dialogue-only baseline. These findings demonstrate how a nonlinear, artifact-centric approach can foster trust, reduce cognitive load, and \textcolor{fix}{support} educators to take control of their creative process. Our contributions are available at: https://comap2025.github.io/.
• Abstract（参考訳）: プロジェクトベースの学習(PBL)の設計は、従来のリニアツールと純粋に会話型AIの両方が苦労するタスクである、高度に相互依存したコンポーネントの管理を必要とする。 伝統的なツールは、創造的デザインの非線形の性質を捉えるのに失敗し、会話システムは、リフレクティブなコラボレーションに必要な、永続的で共有されたコンテキストを欠いている。 分散認知の理論を基礎として,グラフベースのコラボレーションパラダイムを具現化したシステムであるCoMAPを紹介する。 デュアルモードのAIサポートを備えた共有視覚ワークスペースを提供することで、CoMAPは、人間とAIの関係を、プロンプトとレスポンスのループから透明で公平なパートナーシップに変換する。 30人の教育者を対象にした研究では,CoMAPは対話のみのベースラインに比べて,教師のデザイン表現,散発的思考,反復的実践を著しく改善することが示された。 これらの結果は、非線型なアーティファクト中心のアプローチが、信頼を育み、認知的負荷を減らし、そして、創造的プロセスを制御するための‘textcolor{fix}{ supported}教育者’をいかに生み出すかを示している。 私たちのコントリビューションは、https://comap2025.github.io/.com/で公開されています。

関連論文リスト

• Synergizing Understanding and Generation with Interleaved Analyzing-Drafting Thinking [154.2388970262703]
  Unified Vision-Language Models (UVLM) は、単一のフレームワーク内での理解と生成の両方をサポートすることで、マルチモーダル学習を促進することを目的としている。 本稿では,解析処理と起案処理を交互に行う新たな思考パラダイムである,インターリーブド・アナライジング・ドレイティング問題解決ループ(AD-Loop)を紹介する。 テキスト思考を視覚的思考とインターリーブすることで、AD-Loopはモデルが理解と出力の両方を反復的に洗練し、真のシナジーを育むことができる。
  論文  参考訳（メタデータ） (2026-02-24T23:26:09Z)
• Draw2Learn: A Human-AI Collaborative Tool for Drawing-Based Science Learning [0.0]
  描画はメンタルモデルを外部化することで学習をサポートするが、スケールでのタイムリーなフィードバックの提供は依然として難しい。 我々はDraw2Learnについて紹介する。Draw2Learnは、ドローベース学習においてAIが支援的なチームメイトとして振舞う方法を探求するシステムである。
  論文  参考訳（メタデータ） (2026-02-02T00:06:08Z)
• Automatic Question Generation for Intuitive Learning Utilizing Causal Graph Guided Chain of Thought Reasoning [8.587087233323038]
  因果グラフ誘導連鎖推論とマルチエージェント言語モデルを組み合わせた新しいフレームワークを提案する。 このアプローチは、正確で意味があり、カリキュラムに準拠した質問の生成を保証する。 実験の結果,基準法に比べて70%品質が向上した。
  論文  参考訳（メタデータ） (2026-01-02T08:49:58Z)
• 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)
• Thinking Like a Student: AI-Supported Reflective Planning in a Theory-Intensive Computer Science Course [1.5229257192293202]
  新型コロナウイルスの感染拡大を受け、多くの大学が補足的な「強化」を実施。 本稿では,形式的手法と計算モデルに関する学部課程における強化セッションの再設計について報告する。 介入は学生からの肯定的なフィードバックを受け、自信の向上、不安の軽減、明快さの向上を示唆した。
  論文  参考訳（メタデータ） (2025-10-31T12:35:18Z)
• Enhancing Graph Contrastive Learning with Reliable and Informative Augmentation for Recommendation [84.45144851024257]
  離散コードによるより強力な協調情報を用いて、コントラスト的なビューを構築することにより、グラフのコントラスト学習を強化することを目的とした、新しいフレームワークを提案する。 中心となる考え方は、ユーザとアイテムを協調情報に富んだ離散コードにマッピングし、信頼性と情報に富んだコントラッシブなビュー生成を可能にすることである。
  論文  参考訳（メタデータ） (2024-09-09T14:04:17Z)
• Understanding Idea Creation in Collaborative Discourse through Networks: The Joint Attention-Interaction-Creation (AIC) Framework [0.42303492200814446]
  The Joint Attention-Interaction-Creation (AIC) framework captures important dynamics in collaborative discourse。 このフレームワークは、自然言語処理技術にインフォームドされ、社会意味ネットワーク分析にインスパイアされた、ネットワーク化されたレンズから開発された。
  論文  参考訳（メタデータ） (2023-05-25T17:18:19Z)
• A Message Passing Perspective on Learning Dynamics of Contrastive Learning [60.217972614379065]
  特徴空間に対照的な目的を同等に配置すると、その学習力学は解釈可能な形式を持つことを示す。 この視点はまた、対照的な学習とメッセージパッシンググラフニューラルネットワーク(MP-GNN)の間の興味深い関係を確立する。
  論文  参考訳（メタデータ） (2023-03-08T08:27:31Z)
• Concept Learners for Few-Shot Learning [76.08585517480807]
  本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。 我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
  論文  参考訳（メタデータ） (2020-07-14T22:04:17Z)

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。