論文の概要: ACE-TA: An Agentic Teaching Assistant for Grounded Q&A, Quiz Generation, and Code Tutoring

• arxiv url: http://arxiv.org/abs/2604.09572v1
• Date: Fri, 20 Feb 2026 16:38:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-19 19:09:11.508231
• Title: ACE-TA: An Agentic Teaching Assistant for Grounded Q&A, Quiz Generation, and Code Tutoring
• Title（参考訳）: ACE-TA: 接地Q&A, クイズ生成, コードチューニングのためのエージェント・インストラクション・アシスタント
• Authors: Himanshu Tripathi, Charlottee Crowell, Kaley Newlin, Subash Neupane, Shahram Rahimi, Jason Keith,
• Abstract要約: 本稿では,プログラム教材から得られた概念クエリを,事前学習されたLarge Language Models(LLMs)を用いて,段階的コーディング指導と自動クイズ生成に自律的にルーティングするACE-TAについて紹介する。 ACE-TAは3つの協調モジュールから構成される: 正確なコンテキスト整合の説明を提供する検索基盤概念Q&Aシステム、高次の理解をターゲットとした適応的マルチトピックアセスメントを構築するクイズジェネレータ、サンドボックス化された実行と反復的なフィードバックによるステップバイステップの推論を通じて学生を誘導する対話型コードチューター。
• 参考スコア（独自算出の注目度）: 4.566725591898808
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce ACE-TA, the Agentic Coding and Explanations Teaching Assistant framework, that autonomously routes conceptual queries drawn from programming course material to grounded Q&A, stepwise coding guidance, and automated quiz generation using pre-trained Large Language Models (LLMs). ACE-TA consists of three coordinated modules: a retrieval grounded conceptual Q&A system that provides precise, context-aligned explanations; a quiz generator that constructs adaptive, multi-topic assessments targeting higher-order understanding; and an interactive code tutor that guides students through step-by-step reasoning with sandboxed execution and iterative feedback.
• Abstract（参考訳）: 本稿では,プログラム教材から得られた概念的クエリを,事前学習されたLarge Language Models (LLMs) を用いた概念的クエリから基底Q&A,段階的コーディングガイダンス,自動クイズ生成に自律的にルーティングする,エージェント符号化・説明指導支援フレームワークであるACE-TAを紹介する。 ACE-TAは3つの協調モジュールから構成される: 正確なコンテキスト整合の説明を提供する検索基盤概念Q&Aシステム、高次の理解をターゲットとした適応的マルチトピックアセスメントを構築するクイズジェネレータ、サンドボックス化された実行と反復的なフィードバックによるステップバイステップの推論を通じて学生を誘導する対話型コードチューター。

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)
• Towards AI Agents for Course Instruction in Higher Education: Early Experiences from the Field [3.1941554288428193]
  この記事では、IIScの大学院レベルのクラウドコンピューティングコースで、AIベースの教育エージェントを主要なインストラクターとして配置し、デプロイし、評価することで、初期の知見を提示する。 本稿では,Large Language Model (LLM) 駆動のインストラクタエージェントの設計について詳述し,インストラクタエージェントをコースワークフローに統合する教育的フレームワークを紹介する。 本稿では,学生がエージェントとどのように相互作用し,概念を探求し,疑念を明確化し,調査主導の対話をライブ教室で行うかについて報告する。
  論文  参考訳（メタデータ） (2025-10-23T06:23:35Z)
• Query Expansion in the Age of Pre-trained and Large Language Models: A Comprehensive Survey [21.764997953030857]
  現代の情報検索は、多種多様な動的コーパスであいまいなクエリを調整しなければならない。 インジェクションのポイント、接地と相互作用、学習とアライメント、知識グラフの統合の4つの相補的な側面に沿って、最近の作業を組織化します。 この調査では、Web検索、バイオメディシン、eコマース、オープンドメイン質問応答/RAG、会話とコード検索、言語間設定など、7つの側面にわたる従来のQEと神経質なQEを比較した。
  論文  参考訳（メタデータ） (2025-09-09T14:31:11Z)
• Grounding-IQA: Grounding Multimodal Language Model for Image Quality Assessment [76.77693558769934]
  本稿では,新しい画像品質評価(IQA)タスクパラダイム**grounding-IQA*を紹介する。 このパラダイムはマルチモーダル参照とグラウンドをIQAと統合し、よりきめ細かい品質知覚を実現する。 我々は,GIQA-Benchというよく設計されたベンチマークを開発した。このベンチマークは,記述品質,VQA精度,グラウンド化精度の3点から,グラウンド化-IQA性能を評価する。
  論文  参考訳（メタデータ） (2024-11-26T09:03:16Z)
• Benchmarking Large Language Models for Conversational Question Answering in Multi-instructional Documents [61.41316121093604]
  対話型質問応答(CQA)の文脈における大規模言語モデル(LLM)を評価するための新しいベンチマークであるInsCoQAを提案する。 InsCoQAは、百科事典スタイルの教育内容から派生したもので、複数の文書から手続き的ガイダンスを抽出し、解釈し、正確に要約する能力のモデルを評価する。 また,LLM支援型評価器であるInsEvalを提案する。
  論文  参考訳（メタデータ） (2024-10-01T09:10:00Z)
• Code Generation Based Grading: Evaluating an Auto-grading Mechanism for "Explain-in-Plain-English" Questions [0.0]
  コード生成ベースグラディング(CGBG)は、人間の学年と適度に合意する。 CGBGは、コードの低レベルおよびライン・バイ・ライン記述に関して、人間のグレードラーと適度に合意する。
  論文  参考訳（メタデータ） (2023-11-25T02:45:00Z)
• Automated Distractor and Feedback Generation for Math Multiple-choice Questions via In-context Learning [43.83422798569986]
  マルチチョイス質問(MCQ)は、管理しやすく、格付けし、信頼性の高い評価形式であるため、ほぼ全てのレベルの教育においてユビキタスである。 これまで、高品質なイントラクタを作るというタスクは、教師やコンテンツデザイナーを学ぶための労働集約的なプロセスのままだった。 本稿では,テキスト内学習をベースとした簡易な学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-07T01:03:04Z)
• QASem Parsing: Text-to-text Modeling of QA-based Semantics [19.42681342441062]
  本稿では,QA-SRL,QANom,QADiscourseの3つの意味的タスクについて考察する。 最初に統合されたQASem解析ツールをリリースし、下流アプリケーションに実用的です。
  論文  参考訳（メタデータ） (2022-05-23T15:56:07Z)
• ProQA: Structural Prompt-based Pre-training for Unified Question Answering [84.59636806421204]
  ProQAは統一されたQAパラダイムであり、単一のモデルによって様々なタスクを解決する。 全てのQAタスクの知識一般化を同時にモデル化し、特定のQAタスクの知識カスタマイズを維持します。 ProQAは、フルデータの微調整、数ショットの学習、ゼロショットテストシナリオの両方のパフォーマンスを一貫して向上させる。
  論文  参考訳（メタデータ） (2022-05-09T04:59:26Z)
• A Survey on Complex Question Answering over Knowledge Base: Recent Advances and Challenges [71.4531144086568]
  知識ベース(KB)に対する質問回答(QA)は、自然言語の質問に自動的に答えることを目的としている。 研究者は、よりKBのトリプルと制約推論を必要とする単純な質問から複雑な質問へと注意を移した。
  論文  参考訳（メタデータ） (2020-07-26T07:13:32Z)

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。