論文の概要: Decoding AI Tutor Effects for Educational Measurement: Temporal, Multi-Outcome, and Behavior-Cognitive Analysis

• arxiv url: http://arxiv.org/abs/2604.16366v1
• Date: Sun, 22 Mar 2026 00:43:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:13.933267
• Title: Decoding AI Tutor Effects for Educational Measurement: Temporal, Multi-Outcome, and Behavior-Cognitive Analysis
• Title（参考訳）: 教育計測のためのAIテュータ効果のデコード:時間的・多収的・行動認知的分析
• Authors: Yiyao Yang, Yasemin Gulbahar,
• Abstract要約: 本稿では、時間的相互作用パターン、複数結果分析、行動認知学習者プロファイルを用いたAI支援学習のためのAIエージェントプロトタイプフレームワークを提案する。 ヒント、説明、例、コードなど、さまざまなフィードバックフォームを学習者に提供すべく、AIチューターエージェントが開発された。 ニューラルネットワークモデルとシミュレーションフレームワークを使用して、応答時間、試行、ヒント要求、正確性、クイズ結果、改善、満足度、信頼を含む、人工的な学生とAI教師のインタラクションレコードを生成する。 その結果、初期のインタラクションパターンは、後のパフォーマンスと信頼の予測であり、学生の行動はAIベースの授業で時間とともに変化し、学生の行動は変化していることがわかった。
• 参考スコア（独自算出の注目度）: 0.3342165620612816
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Artificial intelligence (AI) tutors have become increasingly popular in learning environments. In this study, we propose an AI agent prototype framework for exploring AI-assisted learning with temporal interaction patterns, multiple outcomes analysis, and behavioral-cognitive learner profiling. Based on three research questions, this study aims to investigate whether early interaction patterns can predict later performance and trust, how multiple outcomes can be traded off with different AI tutor feedback conditions, and if learner profiles can be identified with behavioral and cognitive indicators. An AI tutor agent has been developed to provide various feedback forms to learners, including hints, explanations, examples, and code. A neural policy model and a stochastic simulation framework are used to produce artificial student-AI tutor interaction records, which include response time, attempts, hint requests, correctness, quiz results, improvement, satisfaction, and trust. Temporal features are used to predict later correctness and trust with early interaction patterns, and clustering methods are used to find learner profiles. The results showed that early interaction patterns were predictive of later performance and trust, that student behavior changed over time with AI-based tutoring, and that latent student profiles could be identified based on their behavioral and cognitive differences.
• Abstract（参考訳）: 人工知能(AI)家庭教師は、学習環境においてますます人気が高まっている。 本研究では、時間的相互作用パターン、複数結果分析、行動認知学習者プロファイルを用いたAI支援学習のためのAIエージェントプロトタイプフレームワークを提案する。 本研究は,3つの研究課題に基づいて,早期のインタラクションパターンが後のパフォーマンスと信頼を予測できるかどうか,複数の成果を異なるAI教師のフィードバック条件で交換できるか,学習者のプロファイルが行動や認知の指標と同一視できるかどうか,などを検討することを目的とする。 ヒント、説明、例、コードなど、さまざまなフィードバックフォームを学習者に提供すべく、AIチューターエージェントが開発された。 ニューラルネットワークモデルと確率的シミュレーションフレームワークを使用して、応答時間、試行、ヒント要求、正しさ、クイズ結果、改善、満足度、信頼を含む、人工的な学生とAI教師のインタラクションレコードを生成する。 時間的特徴は、後続の正確性と早期のインタラクションパターンによる信頼を予測するために使用され、クラスタリング手法は学習者のプロファイルを見つけるために使用される。 その結果、初期のインタラクションパターンは、後のパフォーマンスと信頼の予測であり、学生の行動はAIベースの授業で時間とともに変化し、潜在学生のプロファイルは、その行動と認知の相違に基づいて識別できることが判明した。

関連論文リスト

• When Models Know More Than They Can Explain: Quantifying Knowledge Transfer in Human-AI Collaboration [79.69935257008467]
  我々は,人間とAIの知識伝達能力に関する概念的かつ実験的フレームワークである知識統合と伝達評価(KITE)を紹介する。 最初の大規模人間実験(N=118)を行い,その測定を行った。 2段階のセットアップでは、まずAIを使って問題解決戦略を思いつき、その後独立してソリューションを実装し、モデル説明が人間の理解に与える影響を分離します。
  論文  参考訳（メタデータ） (2025-06-05T20:48:16Z)
• Dynamic Programming Techniques for Enhancing Cognitive Representation in Knowledge Tracing [125.75923987618977]
  認知表現動的プログラミングに基づく知識追跡(CRDP-KT)モデルを提案する。 質問の難易度とそれらの間の性能間隔に基づいて認知表現を最適化する動的プログラミングアルゴリズムである。 これは、その後のモデルトレーニングのためにより正確で体系的な入力機能を提供し、それによって認知状態のシミュレーションにおける歪みを最小限にする。
  論文  参考訳（メタデータ） (2025-06-03T14:44:48Z)
• AI instructional agent improves student's perceived learner control and learning outcome: empirical evidence from a randomized controlled trial [29.45751702212421]
  本研究は,教科を主教科とする中等教育課程において,AI指導エージェントが生徒の認知的学習者制御と学業成績に与える影響について検討した。 AI指導エージェントグループの学生は、他のグループに比べて学習者のコントロールが有意に高いことを報告した。
  論文  参考訳（メタデータ） (2025-05-28T16:13:27Z)
• Student-AI Interaction in an LLM-Empowered Learning Environment: A Cluster Analysis of Engagement Profiles [28.794946431719392]
  本研究では,多エージェント LLM を用いた学習環境における多様な学習者のプロファイルについて検討した。 学生は様々な行動、認知、感情的なエンゲージメントの傾向を示す。
  論文  参考訳（メタデータ） (2025-03-03T16:08:28Z)
• RLIF: Interactive Imitation Learning as Reinforcement Learning [56.997263135104504]
  我々は,対話型模倣学習と類似するが,さらに実践的な仮定の下で,非政治強化学習によってパフォーマンスが向上できることを実証する。 提案手法は,ユーザ介入信号を用いた強化学習を報奨として利用する。 このことは、インタラクティブな模倣学習において介入する専門家がほぼ最適であるべきだという仮定を緩和し、アルゴリズムが潜在的に最適でない人間の専門家よりも改善される行動を学ぶことを可能にする。
  論文  参考訳（メタデータ） (2023-11-21T21:05:21Z)
• Predicting student performance using sequence classification with time-based windows [1.5836913530330787]
  本研究では,学生の行動データから得られた逐次的パターンに基づいて,正確な予測モデルを構築することができることを示す。 本稿では,行動データの時間的側面を把握し,モデルの性能予測に与える影響を解析する手法を提案する。 改良されたシーケンス分類手法は,高レベルの精度で生徒のパフォーマンスを予測でき,コース固有のモデルでは90%に達する。
  論文  参考訳（メタデータ） (2022-08-16T13:46:39Z)
• Assessing Human Interaction in Virtual Reality With Continually Learning Prediction Agents Based on Reinforcement Learning Algorithms: A Pilot Study [6.076137037890219]
  本研究では,人間と学習の継続する予測エージェントの相互作用が,エージェントの能力の発達とともにどのように発達するかを検討する。 我々は、強化学習(RL)アルゴリズムから学習した予測が人間の予測を増大させる仮想現実環境と時間ベースの予測タスクを開発する。 以上の結果から,人的信頼はエージェントとの早期の相互作用に影響され,信頼が戦略的行動に影響を及ぼす可能性が示唆された。
  論文  参考訳（メタデータ） (2021-12-14T22:46:44Z)
• Backprop-Free Reinforcement Learning with Active Neural Generative Coding [84.11376568625353]
  動的環境におけるエラー(バックプロップ)のバックプロパゲーションを伴わない行動駆動型生成モデルの学習のための計算フレームワークを提案する。 我々は、まばらな報酬でも機能するインテリジェントエージェントを開発し、推論として計画の認知理論からインスピレーションを得ている。 我々のエージェントの堅牢な性能は、神経推論と学習のためのバックプロップフリーアプローチがゴール指向の行動を促進するという有望な証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-10T19:02:27Z)
• Explainable Active Learning (XAL): An Empirical Study of How Local Explanations Impact Annotator Experience [76.9910678786031]
  本稿では、最近急増している説明可能なAI(XAI)のテクニックをアクティブラーニング環境に導入することにより、説明可能なアクティブラーニング(XAL)の新たなパラダイムを提案する。 本研究は,機械教育のインタフェースとしてのAI説明の利点として,信頼度校正を支援し,リッチな形式の教示フィードバックを可能にすること,モデル判断と認知作業負荷による潜在的な欠点を克服する効果を示す。
  論文  参考訳（メタデータ） (2020-01-24T22:52:18Z)

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。