論文の概要: A Scoping Review of Large Language Model-Based Pedagogical Agents
- arxiv url: http://arxiv.org/abs/2604.12253v1
- Date: Tue, 14 Apr 2026 03:58:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-15 19:11:32.224034
- Title: A Scoping Review of Large Language Model-Based Pedagogical Agents
- Title（参考訳）: 大規模言語モデルに基づく教育エージェントのスコーピングレビュー
- Abstract要約: 本稿では,Large Language Model (LLM) をベースとした教育用教育エージェントの出現分野について検討する。
2022年11月から2025年1月までの5大データベースを対象とした52の調査結果を分析した。
新興トレンドには、自然主義的な学習環境をシミュレートするマルチエージェントシステム、エージェント評価のための仮想学生シミュレーション、没入型技術との統合、学習分析の組み合わせなどがある。
- 参考スコア（独自算出の注目度）: 1.7419119962585532
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This scoping review examines the emerging field of Large Language Model (LLM)-based pedagogical agents in educational settings. While traditional pedagogical agents have been extensively studied, the integration of LLMs represents a transformative advancement with unprecedented capabilities in natural language understanding, reasoning, and adaptation. Following PRISMA-ScR guidelines, we analyzed 52 studies across five major databases from November 2022 to January 2025. Our findings reveal diverse LLM-based agents spanning K-12, higher education, and informal learning contexts across multiple subject domains. We identified four key design dimensions characterizing these agents: interaction approach (reactive vs. proactive), domain scope (domain-specific vs. general-purpose), role complexity (single-role vs. multi-role), and system integration (standalone vs. integrated). Emerging trends include multi-agent systems that simulate naturalistic learning environments, virtual student simulation for agent evaluation, integration with immersive technologies, and combinations with learning analytics. We also discuss significant research gaps and ethical considerations regarding privacy, accuracy, and student autonomy. This review provides researchers and practitioners with a comprehensive understanding of LLM-based pedagogical agents while identifying crucial areas for future development in this rapidly evolving field.
- Abstract（参考訳）: 本稿では,Large Language Model (LLM) をベースとした教育用教育エージェントの出現分野について検討する。
従来の教育薬は広く研究されているが、LLMの統合は、自然言語理解、推論、適応において前例のない能力を持つ変革的な進歩を表している。
PRISMA-ScRガイドラインに従って,2022年11月から2025年1月までの5大データベースを対象とした52の調査結果を分析した。
以上の結果から,K-12,高等教育,非公式な学習コンテキストにまたがる多様なLSMエージェントが,複数の主題領域にまたがっていることが明らかとなった。
これらのエージェントを特徴付ける4つの重要な設計次元を同定した。相互作用アプローチ(反応性対プロアクティブ)、ドメインスコープ(ドメイン固有対汎用)、役割複雑性(シングルロール対マルチロール)、システム統合(スタンドアローン対統合)である。
新興トレンドには、自然主義的な学習環境をシミュレートするマルチエージェントシステム、エージェント評価のための仮想学生シミュレーション、没入型技術との統合、学習分析の組み合わせなどがある。
また、プライバシー、正確性、学生の自律性に関する重要な研究ギャップと倫理的考察についても論じる。
このレビューは、LLMに基づく教育薬の包括的理解と、この急速に発展する分野において、将来の発展に欠かせない領域を特定しながら、研究者や実践者に提供します。
関連論文リスト
- How Do We Research Human-Robot Interaction in the Age of Large Language Models? A Systematic Review [25.744333061791284]
大規模言語モデル(LLM)は人間-ロボット相互作用(HRI)の分野を根本的に変えつつある
PRISMAガイドラインに従って系統的な文献検索を行い,包括的基準を満たした86項目を同定した。
その結果,1)LLMは,ロボットがコンテキストを知覚し,社会的基盤を持つ相互作用を発生させ,人間のニーズとの連続的な整合性を維持することによって,HRIの基礎を変容させつつあること,2)LLM駆動型HRIの異なる側面に焦点を絞った研究を中心に,主に探索的な研究が行われていること,などが判明した。
論文 参考訳（メタデータ） (2026-02-13T13:55:43Z) - Simulating Students with Large Language Models: A Review of Architecture, Mechanisms, and Role Modelling in Education with Generative AI [0.8703455323398351]
大規模言語モデル(LLM)を用いた教育環境における学生の行動のシミュレートに関する研究のレビュー
LLMをベースとしたエージェントが学習者の古型をエミュレートし、指導的な入力に反応し、マルチエージェントの教室シナリオ内で相互作用する能力に関する現在の証拠を示す。
本稿では,カリキュラム開発,教育評価,教員養成におけるシステムの役割について検討する。
論文 参考訳（メタデータ） (2025-11-08T17:23:13Z) - A Survey on Agentic Multimodal Large Language Models [84.18778056010629]
エージェントマルチモーダル大言語モデル(Agentic MLLMs)に関する総合的な調査を行う。
我々は,エージェントMLLMの新たなパラダイムを探求し,その概念的基盤を明確にし,従来のMLLMエージェントとの特徴を区別する。
コミュニティのためのこの分野の研究をさらに加速するため、エージェントMLLMを開発するためのオープンソースのトレーニングフレームワーク、トレーニングおよび評価データセットをコンパイルする。
論文 参考訳（メタデータ） (2025-10-13T04:07:01Z) - Toward Generalized Autonomous Agents: A Neuro-Symbolic AI Framework for Integrating Social and Technical Support in Education [2.336538451986937]
教育における永続的な課題の1つは、学生が学習の所有権を取得できるようにする方法である。
大規模言語モデル(LLM)とニューロシンボリックシステムの最近の進歩は、デジタル学習環境におけるサポートの提供方法を再定義する転換的な機会を提供する。
本稿では、上記の課題を解決するために設計された多エージェント・ニューロシンボリック・フレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-25T18:46:59Z) - Evolutionary Perspectives on the Evaluation of LLM-Based AI Agents: A Comprehensive Survey [45.485318955120924]
従来の大規模言語モデル(LLM)からより高度なAIエージェントへの移行は、重要な進化のステップである。
既存の評価フレームワークは、LLMチャットボットとAIエージェントの区別を曖昧にし、適切なベンチマークを選択する研究者の間で混乱を招くことが多い。
本稿では,進化的観点からの現在の評価手法の体系的分析を紹介する。
論文 参考訳（メタデータ） (2025-06-06T17:52:18Z) - Large Language Model Agent: A Survey on Methodology, Applications and Challenges [88.3032929492409]
大きな言語モデル(LLM)エージェントは、目標駆動の振る舞いと動的適応能力を持ち、人工知能への重要な経路を示す可能性がある。
本調査は, LLMエージェントシステムを方法論中心の分類法により体系的に分解する。
私たちの作業は、エージェントの構築方法、コラボレーション方法、時間の経過とともにどのように進化するか、という、統一されたアーキテクチャの視点を提供します。
論文 参考訳（メタデータ） (2025-03-27T12:50:17Z) - LLM Agents for Education: Advances and Applications [49.3663528354802]
大規模言語モデル(LLM)エージェントは、タスクの自動化と多様な教育アプリケーションにおけるイノベーションの推進において、顕著な能力を示した。
本調査は、LLMエージェントの総合的技術概要を提供することを目的としており、学習者や教育者のより大きな利益に対する影響を高めるために、さらなる研究と協力を促進することを目的としている。
論文 参考訳（メタデータ） (2025-03-14T11:53:44Z) - A Survey on Post-training of Large Language Models [185.51013463503946]
大規模言語モデル(LLM)は、自然言語処理を根本的に変革し、会話システムから科学的探索まで、さまざまな領域で欠かせないものにしている。
これらの課題は、制限された推論能力、倫理的不確実性、最適なドメイン固有のパフォーマンスといった欠点に対処するために、先進的な訓練後言語モデル(PoLM)を必要とする。
本稿では,タスク固有の精度を向上するファインチューニング,倫理的コヒーレンスと人間の嗜好との整合性を保証するアライメント,報酬設計の課題によらず多段階の推論を進める推論,統合と適応の5つのパラダイムを体系的に追跡したPoLMの総合的な調査について述べる。
論文 参考訳（メタデータ） (2025-03-08T05:41:42Z) - When LLMs Learn to be Students: The SOEI Framework for Modeling and Evaluating Virtual Student Agents in Educational Interaction [12.070907646464537]
教室シナリオにおける人格対応型仮想学生エージェント(LVSA)の構築と評価のためのSOEIフレームワークを提案する。
LoRAファインチューニングとエキスパートインフォームドプロンプト設計により,5つのLVSAをBig Five特性に基づいて生成する。
その結果,(1)LLMをベースとした学生エージェントのための教育的,心理的に基盤とした生成パイプライン,(2)行動リアリズムのためのハイブリッドでスケーラブルな評価フレームワーク,(3)LVSAsの教育的有用性に関する実証的な知見が得られた。
論文 参考訳（メタデータ） (2024-10-21T07:18:24Z) - A Survey on Large Language Model based Autonomous Agents [105.2509166861984]
大規模言語モデル(LLM)は、人間レベルの知性を達成する上で、顕著な可能性を示している。
本稿では,LLMに基づく自律エージェントの分野を総合的な観点から体系的に検討する。
本稿では、社会科学、自然科学、工学の分野におけるLLMベースの自律エージェントの多様な応用について概観する。
論文 参考訳（メタデータ） (2023-08-22T13:30:37Z) - LAMM: Language-Assisted Multi-Modal Instruction-Tuning Dataset,
Framework, and Benchmark [81.42376626294812]
本稿では,Language-Assisted Multi-Modalインストラクションチューニングデータセット,フレームワーク,ベンチマークを提案する。
我々の目標は、MLLMのトレーニングと評価のための成長するエコシステムとしてLAMMを確立することです。
本稿では,2次元および3次元視覚のための広範囲な視覚タスクをカバーする包括的データセットとベンチマークを提案する。
論文 参考訳（メタデータ） (2023-06-11T14:01:17Z)
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。