論文の概要: Tell Me Why: Designing an Explainable LLM-based Dialogue System for Student Problem Behavior Diagnosis

• arxiv url: http://arxiv.org/abs/2604.22237v1
• Date: Fri, 24 Apr 2026 05:23:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.352663
• Title: Tell Me Why: Designing an Explainable LLM-based Dialogue System for Student Problem Behavior Diagnosis
• Title（参考訳）: 教える:学生の問題行動診断のための説明可能なLDMベースの対話システムの設計
• Authors: Zhilin Fan, Deliang Wang, Penghe Chen, Yu Lu,
• Abstract要約: 細調整された大言語モデル(LLM)に基づく説明可能な対話システムを提案する。 このシステムは、説明可能なAI(xAI)に基づく階層的帰属法を用いて、レコメンデーション毎に対話的証拠を特定し、自然言語による説明を生成する。 プレサービス教員22名を対象に予備調査を行ったところ,説明を受けた参加者はシステムに対する信頼感が高かった。
• 参考スコア（独自算出の注目度）: 18.727061359162786
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Diagnosing student problem behaviors requires teachers to synthesize multifaceted information, identify behavioral categories, and plan intervention strategies. Although fine-tuned large language models (LLMs) can support this process through multi-turn dialogue, they rarely explain why a strategy is recommended, limiting transparency and teachers' trust. To address this issue, we present an explainable dialogue system built on a fine-tuned LLM. The system uses a hierarchical attribution method based on explainable AI (xAI) to identify dialogue evidence for each recommendation and generate a natural-language explanation based on that evidence. In technical evaluation, the method outperformed baseline approaches in identifying supporting evidence. In a preliminary user study with 22 pre-service teachers, participants who received explanations reported higher trust in the system. These findings suggest a promising direction for improving LLM explainability in educational dialogue systems.
• Abstract（参考訳）: 生徒の問題行動の診断には、教師が多面的な情報を合成し、行動カテゴリーを特定し、計画介入戦略を立案する必要がある。 微調整された大規模言語モデル(LLM)はマルチターン対話を通じてこのプロセスをサポートすることができるが、なぜ戦略が推奨されるのかを説明することは稀であり、透明性と教師の信頼を制限している。 この問題に対処するために、細調整LLM上に構築された説明可能な対話システムを提案する。 このシステムは、説明可能なAI(xAI)に基づく階層的帰属法を用いて、レコメンデーション毎に対話的証拠を特定し、その証拠に基づいて自然言語による説明を生成する。 技術評価において,提案手法は支持証拠の同定において,ベースラインアプローチよりも優れていた。 プレサービス教員22名を対象に予備調査を行ったところ,説明を受けた参加者はシステムに対する信頼感が高かった。 これらの結果から,教育対話システムにおけるLCM説明可能性の向上に向けた有望な方向性が示唆された。

関連論文リスト

• SLOW: Strategic Logical-inference Open Workspace for Cognitive Adaptation in AI Tutoring [5.563865143843112]
  大規模言語モデル (LLM) は教育対話において顕著な流布を示した。 ほとんどの生成チューターは直感的でシングルパス生成によって動作する。 本研究では,学習者の意図的推論を支援する理論インフォームド・チューリング・フレームワークであるSLOWを提案する。
  論文  参考訳（メタデータ） (2026-03-30T06:01:16Z)
• Discerning minds or generic tutors? Evaluating instructional guidance capabilities in Socratic LLMs [35.33577525791391]
  本研究は,質問生成を超えて指導指導能力を強調する。 実際の教育対話を基盤としたベンチマークである GuideEval を提案する。 本稿では,行動促進型指導対話を活用した行動誘導型微調整戦略を提案する。
  論文  参考訳（メタデータ） (2025-08-08T01:02:44Z)
• Personalizing Student-Agent Interactions Using Log-Contextualized Retrieval Augmented Generation (RAG) [3.5262811753348715]
  大規模言語モデル(LLM)は動的教育的相互作用を促進するが、信頼性、信頼、教育的価値を損なう。 Retrieval-augmented Generation (RAG)は、LLMの出力をキュレートした知識に基礎を置いているが、ユーザ入力と知識ベースとの明確なセマンティックリンクが必要である。 環境ログを用いて協調会話を文脈化することでRAG検索を強化した対数文脈化RAG(LC-RAG)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T19:31:40Z)
• Exploring Knowledge Tracing in Tutor-Student Dialogues using LLMs [49.18567856499736]
  本研究では,大規模言語モデル(LLM)が対話学習を支援することができるかどうかを検討する。 我々は,学習者の知識レベルを対話全体にわたって追跡するために,ラベル付きデータに知識追跡(KT)手法を適用した。 我々は,2つの学習対話データセットの実験を行い,従来のKT手法よりも学生の反応の正しさを予測できる新しいLCM-based method LLMKTが優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-24T22:31:39Z)
• Self-Explanation Prompting Improves Dialogue Understanding in Large Language Models [52.24756457516834]
  大規模言語モデル(LLM)の理解能力を高めるための新たな「自己説明(Self-Explanation)」を提案する。 このタスクに依存しないアプローチでは、タスク実行前の各対話発話を分析し、様々な対話中心のタスクのパフォーマンスを向上させる必要がある。 6つのベンチマークデータセットによる実験結果から,本手法は他のゼロショットプロンプトよりも一貫して優れており,数ショットプロンプトの有効性を超えていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-09-22T15:41:34Z)
• Prompting and Evaluating Large Language Models for Proactive Dialogues: Clarification, Target-guided, and Non-collaboration [72.04629217161656]
  本研究は, 明瞭化, 目標誘導, 非協調対話の3つの側面に焦点をあてる。 LLMの能動性を高めるために,プロアクティブ・チェーン・オブ・ソート・プロンプト方式を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:49:35Z)
• Towards Large-Scale Interpretable Knowledge Graph Reasoning for Dialogue Systems [109.16553492049441]
  よりスケーラブルで一般化可能な対話システムに知識推論機能を組み込む新しい手法を提案する。 我々の知識を最大限に活用するために、変圧器モデルが微分可能な知識グラフを解析して応答を生成するのは、これが初めてである。
  論文  参考訳（メタデータ） (2022-03-20T17:51:49Z)

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。