論文の概要: ITAS: A Multi-Agent Architecture for LLM-Based Intelligent Tutoring
- arxiv url: http://arxiv.org/abs/2604.24808v1
- Date: Mon, 27 Apr 2026 07:12:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-29 16:49:17.512605
- Title: ITAS: A Multi-Agent Architecture for LLM-Based Intelligent Tutoring
- Title（参考訳）: ITAS: LLMベースのインテリジェントチューニングのためのマルチエージェントアーキテクチャ
- Authors: Iizalaarab Elhaimeur, Nikos Chrisochoides,
- Abstract要約: 本稿では,旧ドミニオン大学において,大学院の量子コンピューティング科目として利用されたマルチエージェント・チュータリングシステムについて述べる。
教育層は3つの並行スペシャリスト(ビデオ、コード、ガイダンス)からなるSpoke-and-Wheelで、その後にSynthesizerが続く。
フィードバック層は狭いスコープの会話エージェントで、インストラクターの質問に答える。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language model tutors are easy to build in a notebook and hard to run in a real course. We describe ITAS (Intelligent Teaching Assistant System), a multi-agent tutoring system that a graduate quantum computing course used for a semester at Old Dominion University. The system has three layers. The teaching layer is a Spoke-and-Wheel of three parallel specialist agents (Video, Code, Guidance) followed by a Synthesizer, plus a separate autograder that evaluates both the correctness and the approach of checkpoint submissions. The operational layer is four Cloud Run microservices with session state in Cloud SQL and interaction events streamed through Pub/Sub to BigQuery. The feedback layer is a narrow-scope conversational agent that answers instructor questions over per-lesson pseudonymized event streams, addressing what we call the Blind Instructor Problem: LLM tutors accumulate more data about students than the instructor can reach through routine channels. The architecture is a direct response to specific failures of an earlier prototype, and we describe which of those fixes carried forward and which were dropped for this iteration. We report on a pilot deployment (five students, one course, one semester) interpreted as system-behavior evidence rather than learning-outcome evidence: the teaching layer handled 334 chat turns without the task-boundary hallucinations that domain consolidation would have risked, the operational layer captured 10,628 events across five modules, and the feedback layer surfaced two findings the instructor acted on mid-semester. We do not claim the pilot generalizes. We do claim that the system as described is one workable answer to the question of what an LLM-based ITS needs to look like end-to-end to run in a real course.
- Abstract（参考訳）: 大規模な言語モデル家庭教師はノートブックで簡単に構築でき、実際のコースで実行し難い。
本稿では,旧ドミニオン大学における大学院の量子コンピューティング科目であるITAS(Intelligent Teaching Assistant System)について述べる。
システムには3つの層があります。
教育層は、3つの並行スペシャリスト(ビデオ、コード、ガイダンス)からなるSpoke-and-Wheelで、その後にSynthesizerが続く。
運用層は4つのCloud Runマイクロサービスで、セッション状態はCloud SQLで、インタラクションイベントはPub/SubからBigQueryにストリーミングされる。
フィードバック層は狭スコープの会話エージェントで、インストラクターの質問に無意味な擬似イベントストリームで答え、私たちがBlind Instructor Problemと呼ぶ問題に対処する。
アーキテクチャは、以前のプロトタイプの特定の障害に対する直接的な対応であり、これらの修正のどれが前進し、どの修正がこのイテレーションのために中止されたかを説明します。
授業層は334件のチャットターンを処理し,作業層は5つのモジュールにわたる10,628件のイベントを処理し,フィードバック層は334件のチャットターンを処理した。
パイロットが一般化するわけではない。
LLMベースのITSは、実際のコースで実行するためにエンド・ツー・エンドのように見える必要があるのかという疑問に対して、このシステムが有効な答えである、と我々は主張する。
関連論文リスト
- From Prototype to Classroom: An Intelligent Tutoring System for Quantum Education [0.0]
ITAS (Intelligent Teaching Assistant System) は4つのコントリビューションを中心に構築されたマルチエージェント学習システムである。
旧ドミニオン大学(Old Dominion University)の量子コンピューティングコースで試験されたこのシステムは、3つの答えすべてをサポートする。
論文 参考訳（メタデータ） (2026-04-27T07:00:14Z) - Sensi: Learn One Thing at a Time -- Curriculum-Based Test-Time Learning for LLM Game Agents [0.0]
本稿では、ARC-AGI-3ゲームプレイングチャレンジのためのエージェントアーキテクチャであるSensiを紹介し、構造化されたテスト時間学習を導入する。
Sensi v1は2つのプレイヤーアーキテクチャだけで2つのゲームレベルを解き、Sensi v2はカリキュラム学習を追加し、0レベルを解いた。
論文 参考訳（メタデータ） (2026-03-18T12:59:26Z) - CEDAR: Context Engineering for Agentic Data Science [3.1662160826016756]
CEDARはエージェント設定でデータサイエンスタスクを自動化するアプリケーションである。
効果的なコンテキストエンジニアリングによって、これらを緩和できることが示される。
フォールトトレランスとコンテキスト管理は、反復的なコード生成とスマートヒストリレンダリングを通じて導入される。
論文 参考訳（メタデータ） (2026-01-10T16:05:04Z) - IntelliCode: A Multi-Agent LLM Tutoring System with Centralized Learner Modeling [2.0467354053171243]
我々は,集中型,バージョン付き学習者状態を中心に構築されたマルチエージェントLLMチューリングシステムであるIntelliCodeを紹介する。
StateGraph Orchestratorは、スキルアセスメント、学習者プロファイリング、卒業ヒント、カリキュラムの選択、空間的反復、エンゲージメント監視の6つの専門エージェントをコーディネートする。
このアーキテクチャは、監査可能なマスタリ更新、熟練度対応ヒント、依存性対応のカリキュラム適応、安全性対応のプロンプトを可能にする。
論文 参考訳（メタデータ） (2025-12-21T10:07:06Z) - CogEvo-Edu: Cognitive Evolution Educational Multi-Agent Collaborative System [5.006101181794508]
我々は、検索、記憶、制御は協調した認知進化過程として扱うべきであると主張している。
階層型教育マルチエージェントシステムであるCogEvo-Eduで、この見解をインスタンス化する。
CogEvo-Eduはスコアを5.32から9.23に引き上げ、静的RAG、単純なメモリ、単一エージェントの変種で6つの指標をすべて改善した。
論文 参考訳（メタデータ） (2025-11-29T05:41:57Z) - AgentTrek: Agent Trajectory Synthesis via Guiding Replay with Web Tutorials [53.376263056033046]
既存のアプローチは高価な人間のアノテーションに依存しており、大規模には持続不可能である。
本稿では,Webエージェントトラジェクトリを生成するスケーラブルなデータ合成パイプラインであるAgentTrekを提案する。
完全に自動化されたアプローチは、データ収集コストを大幅に削減し、人間のアノテータを使わずに、高品質な軌道を0.55ドルに抑えることができます。
論文 参考訳（メタデータ） (2024-12-12T18:59:27Z) - TWIST & SCOUT: Grounding Multimodal LLM-Experts by Forget-Free Tuning [54.033346088090674]
TWIST と SCOUT は,事前学習したMLLM に視覚的接地能力を持たせるフレームワークである。
モデルを効果的に微調整するために,SCOUTと呼ばれる高品質な合成データセットを生成する。
このデータセットは、ステップバイステップのマルチモーダル推論プロセスを記述する、豊富な監視信号を提供する。
論文 参考訳（メタデータ） (2024-10-14T13:35:47Z) - Octavius: Mitigating Task Interference in MLLMs via LoRA-MoE [83.00018517368973]
LLM(Large Language Models)は、命令チューニングを通じて、ゼロショット能力をマルチモーダル学習に拡張することができる。
ネガティブな対立や干渉は パフォーマンスに悪影響を及ぼすかもしれない
我々は、よく知られたMixture-of-Experts(MoE)と代表的なPEFT技法の1つであるLoRA(LoRA-MoE)を組み合わせて、マルチモーダル学習のための新しいLLMベースのデコーダ(LoRA-MoE)を設計する。
論文 参考訳（メタデータ） (2023-11-05T15:48:29Z) - PPTC Benchmark: Evaluating Large Language Models for PowerPoint Task
Completion [96.47420221442397]
我々はPowerPoint Task Completionベンチマークを導入し、大規模言語モデルがマルチターン・マルチモーダル命令を完了する能力を評価する。
また,ラベルAPIシーケンスではなく,予測ファイルに基づいてLCMが命令を終了するかどうかを評価するPTX-Match評価システムを提案する。
その結果、GPT-4はシングルターン対話テストにおいて75.1%の精度で他のLLMよりも優れていたが、セッション全体を完成させる際の課題に直面しており、セッションの精度は6%に過ぎなかった。
論文 参考訳（メタデータ） (2023-11-03T08:06:35Z) - ICL-D3IE: In-Context Learning with Diverse Demonstrations Updating for
Document Information Extraction [56.790794611002106]
大規模言語モデル(LLM)は、様々な自然言語処理(NLP)タスクにおいて、文脈内学習による顕著な結果を示している。
ICL-D3IEと呼ばれるシンプルだが効果的なテキスト内学習フレームワークを提案する。
具体的には、ハードトレーニング文書から最も困難で独特なセグメントをハードデモとして抽出する。
論文 参考訳（メタデータ） (2023-03-09T06:24:50Z)
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。