論文の概要: Structuring versus Problematizing: How LLM-based Agents Scaffold Learning in Diagnostic Reasoning

• arxiv url: http://arxiv.org/abs/2604.09158v1
• Date: Fri, 10 Apr 2026 09:43:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.805047
• Title: Structuring versus Problematizing: How LLM-based Agents Scaffold Learning in Diagnostic Reasoning
• Title（参考訳）: 構造化と問題解決:診断推論におけるLCMエージェントの学習方法
• Authors: Fatma Betül Güreş, Tanya Nazaretsky, Seyed Parsa Neshaei, Tanja Käser,
• Abstract要約: 本研究は、製薬技術者養成のためのSBL環境であるPharmaSim Switchを紹介する。 この手法は2つの理論駆動型足場アプローチ、すなわちエンファンストラクチャリングとエンファンプロブレマティゼーション、および学生の学習軌跡を実装している。 以上の結果から,両足場アプローチが診断戦略の活用に有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 12.93824309558344
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Supporting students in developing diagnostic reasoning is a key challenge across educational domains. Novices often face cognitive biases such as premature closure and over-reliance on heuristics, and they struggle to transfer diagnostic strategies to new cases. Scenario-based learning (SBL) enhanced by Learning Analytics (LA) and large language models (LLM) offers a promising approach by combining realistic case experiences with personalized scaffolding. Yet, how different scaffolding approaches shape reasoning processes remains insufficiently explored. This study introduces PharmaSim Switch, an SBL environment for pharmacy technician training, extended with an LA- and LLM-powered pharmacist agent that implements pedagogical conversations rooted in two theory-driven scaffolding approaches: \emph{structuring} and \emph{problematizing}, as well as a student learning trajectory. In a between-groups experiment, 63 vocational students completed a learning scenario, a near-transfer scenario, and a far-transfer scenario under one of the two scaffolding conditions. Results indicate that both scaffolding approaches were effective in supporting the use of diagnostic strategies. Performance outcomes were primarily influenced by scenario complexity rather than students' prior knowledge or the scaffolding approach used. The structuring approach was associated with more accurate Active and Interactive participation, whereas problematizing elicited more Constructive engagement. These findings underscore the value of combining scaffolding approaches when designing LA- and LLM-based systems to effectively foster diagnostic reasoning.
• Abstract（参考訳）: 診断推論開発における学生支援は、教育分野において重要な課題である。 初心者はしばしば、早期閉鎖やヒューリスティックスへの過度信頼といった認知バイアスに直面し、診断戦略を新しいケースに移すのに苦労する。 学習分析(LA)と大規模言語モデル(LLM)によって強化されたシナリオベース学習(SBL)は、現実的なケースエクスペリエンスとパーソナライズされた足場を組み合わせることで、有望なアプローチを提供する。 しかし、いかに異なる足場アプローチが推論プロセスを形成するかは、いまだに十分に調査されていない。 本研究では,理学療法士養成のためのSBL環境であるPharmaSim Switchを紹介する。LAとLLMを駆使した薬剤師は,2つの理論駆動型足場(emph{structuring} と \emph{problematizing} )に根ざした教育的会話を実践し,学生の学習軌跡を学習する。 グループ間実験では,63名の職業学生が,2つの足場条件の1つの下で,学習シナリオ,近転シナリオ,遠転シナリオを完成させた。 以上の結果から,両足場アプローチが診断戦略の活用に有効であることが示唆された。 成績は、学生の事前の知識や使用した足場アプローチよりも、シナリオの複雑さに大きく影響された。 構造化アプローチは、より正確なActive and Interactive参加と関連付けられ、一方、問題解決はよりコンストラクティブなエンゲージメントをもたらしました。 これらの知見は,診断推論を効果的に促進するために,LAとLCMをベースとしたシステムの設計において,足場構築アプローチを組み合わせることの価値を裏付けるものである。

関連論文リスト

• Anatomy-R1: Enhancing Anatomy Reasoning in Multimodal Large Language Models via Anatomical Similarity Curriculum and Group Diversity Augmentation [52.7583577508452]
  MLLM(Multimodal Large Language Models)は自然画像推論において顕著な進歩を遂げている。 医用画像におけるその潜在性は、特に臨床解剖学的外科画像では未発見のままである。 これらの課題は、従来のSupervised Fine-Tuning戦略の有効性を制限する。
  論文  参考訳（メタデータ） (2025-12-22T16:06:36Z)
• Fuzzy, Symbolic, and Contextual: Enhancing LLM Instruction via Cognitive Scaffolding [3.553493344868413]
  本研究では,指導対話における大規模言語モデル(LLM)の認知行動に,素早いレベルの帰納的バイアスがどう影響するかを検討する。 本稿では,適応的,構造化された推論を促進するために,短期記憶スキーマと組み合わせたシンボリックスキャフォールディング手法を提案する。 予備的な結果は、我々の完全なシステムがベースラインの変種を一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-08-28T20:46:13Z)
• NEARL-CLIP: Interacted Query Adaptation with Orthogonal Regularization for Medical Vision-Language Understanding [51.63264715941068]
  textbfNEARL-CLIP (iunderlineNteracted quunderlineEry underlineAdaptation with ounderlineRthogonaunderlineL regularization)は、VLMベースの新しい相互モダリティ相互作用フレームワークである。
  論文  参考訳（メタデータ） (2025-08-06T05:44:01Z)
• Medical Reasoning in the Era of LLMs: A Systematic Review of Enhancement Techniques and Applications [59.721265428780946]
  医学における大きな言語モデル(LLM)は印象的な能力を実現しているが、体系的で透明で検証可能な推論を行う能力に重大なギャップが残っている。 本稿は、この新興分野に関する最初の体系的なレビューを提供する。 本稿では,学習時間戦略とテスト時間メカニズムに分類した推論強化手法の分類法を提案する。
  論文  参考訳（メタデータ） (2025-08-01T14:41:31Z)
• CANDLE: A Cross-Modal Agentic Knowledge Distillation Framework for Interpretable Sarcopenia Diagnosis [3.0245458192729466]
  CANDLEは、解釈可能性と性能のトレードオフを緩和し、予測精度を高め、高い決定一貫性を維持する。 このフレームワークは、TMLモデルの知識アセット化に対するスケーラブルなアプローチを提供し、サルコピアおよび潜在的に広い医療領域における解釈可能、再現可能、および臨床的に整合した意思決定支援を可能にする。
  論文  参考訳（メタデータ） (2025-07-26T15:50:08Z)
• Knowledge is Power: Harnessing Large Language Models for Enhanced Cognitive Diagnosis [12.936153018855649]
  認知診断モデル(CDMs)は、学生の認知状態を評価するために、一連のエクササイズを通してそのパフォーマンスを分析する。 既存のCDMは、豊富な事前知識が不足しているため、希少な学生や運動の診断に苦慮することが多い。 大型言語モデル(LLM)の進歩に伴い、認知診断への統合は有望な機会となる。
  論文  参考訳（メタデータ） (2025-02-08T13:02:45Z)
• XAI4LLM. Let Machine Learning Models and LLMs Collaborate for Enhanced In-Context Learning in Healthcare [16.79952669254101]
  本稿では,大規模言語モデルによる構造化された臨床データ処理を実現するための知識誘導型インコンテキスト学習フレームワークを提案する。 このアプローチでは、ドメイン固有の機能グループ化、慎重にバランスのとれた数ショットの例、タスク固有のプロンプト戦略を統合する。
  論文  参考訳（メタデータ） (2024-05-10T06:52:44Z)
• Iterative Forward Tuning Boosts In-Context Learning in Language Models [88.25013390669845]
  本研究では,大規模言語モデル(LLM)における文脈内学習を促進する新しい2段階フレームワークを提案する。 具体的には、当社のフレームワークでは、ICLプロセスをDeep-ThinkingとTest Stageの2つの別々のステージに分類しています。 ディープシンキング段階にはユニークな注意機構、すなわち反復的な注意強化機構が組み込まれており、複数の情報の蓄積を可能にしている。
  論文  参考訳（メタデータ） (2023-05-22T13:18:17Z)
• Decoupled Adversarial Contrastive Learning for Self-supervised Adversarial Robustness [69.39073806630583]
  頑健な表現学習のための対人訓練(AT)と教師なし表現学習のための自己教師型学習(SSL)は2つの活発な研究分野である。 Decoupled Adversarial Contrastive Learning (DeACL) と呼ばれる2段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-22T06:30:44Z)
• Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
  バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。 効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
  論文  参考訳（メタデータ） (2020-10-07T08:36:44Z)

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。