論文の概要: The Nonverbal Syntax Framework: An Evidence-Based Tiered System for Inferring Learner States from Observable Behavioral Cues

• arxiv url: http://arxiv.org/abs/2604.25612v1
• Date: Tue, 28 Apr 2026 13:20:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.870883
• Title: The Nonverbal Syntax Framework: An Evidence-Based Tiered System for Inferring Learner States from Observable Behavioral Cues
• Title（参考訳）: 非言語構文フレームワーク:観察可能な行動キューから学習状態を推定するエビデンスに基づく階層化システム
• Abstract要約: 我々は,908研究と17,043キューステートマッピングの体系的レビューから,非言語構文フレームワークを提示する。 この枠組みは、用語的断片化、証拠の不均一性、および状態の曖昧さの3つの課題に対処する。 研究者たちには、ギャップを識別するための実証的な基盤、状態推論のためのエビデンスベースのツール、マルチモーダル検出のための検証済みの機能を与える。
• 参考スコア（独自算出の注目度）: 1.8733436441111364
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Understanding learners' cognitive and affective states underpins adaptive educational systems and effective teaching. Although research links nonverbal cues to internal states, no framework calibrates them to evidence. We present the Nonverbal Syntax Framework, drawn from a systematic review of 908 studies and 17,043 cue-state mappings (Turaev et al., 2026). The framework addresses three challenges: terminological fragmentation (behaviors described inconsistently), evidence heterogeneity (single observations to replicated findings), and state ambiguity (similar patterns indicating multiple states). Normalization consolidated 5,537 state labels into 2,010 canonical states (63.7%) and 11,521 cues into 6,434 normalized cues (44.2%) across nine behavioral channels. Dual-evidence assessment separately evaluates Component Evidence (coverage of cues and states) and Relationship Evidence (independent studies per cue-state link). 52% of "Very High" relationships rest on one paper, so separation enables calibrated rather than overconfident inference from preliminary findings. The framework's four levels comprise a Cue Vocabulary of 6,434 indicators classified as observable/instrumental; State Clusters linking 2,010 states to indicative cues; State Profiles with multimodal behavioral signatures and actionable specifications; and Discriminative Analysis distinguishing 1,215 confusable state pairs. We identify 480 actionable R1-R4 relationships (three or more independent papers), the replicated core of six decades of research, covering 35.5% of mappings across 47 key learning states and 111 distinct indicators. The remaining 91.5% (9,653 single-paper findings) form exploratory hypotheses for replication. The framework gives researchers an empirical foundation for identifying gaps, practitioners evidence-based tools for state inference, and technologists validated features for multimodal detection.
• Abstract（参考訳）: 学習者の認知的・感情的状態を理解することは、適応的な教育システムと効果的な教育の基盤となる。 研究は非言語的な手がかりを内的状態に結びつけるが、いかなる枠組みもそれらを証拠に分類しない。 本稿では,908研究と17,043cue-state mappings(Turaev et al , 2026)の体系的レビューから,Nonverbal Syntax Frameworkを提案する。 この枠組みは3つの課題に対処する: 用語的断片化(不整合に記述された振る舞い)、証拠不均一性(複製された発見に対して単一の観察)、状態あいまい性(複数の状態を示す類似のパターン)。 正規化は5,537の州ラベルを2,010の標準状態 (63.7%) と11,521のキューを6,434の正規化キュー (44.2%) に統合した。 デュアル・エビデンス・アセスメントは、コンポーネント・エビデンス(キューとステートのカバー)とリレーション・エビデンス(キュー・ステート・リンク毎の独立研究)を別々に評価する。 非常に高い」関係の52%は1紙に残っており、予備的な発見から過度に信頼される推論よりも、分離が校正できる。 フレームワークの4つのレベルは、オブザーバブル/インストラクショナルに分類される6,434のインジケータからなるCue Vocabulary、インジケータティブなキューに2,010のステートをリンクするステートクラスタ、マルチモーダルなビヘイビアシグニチャと実行可能な仕様を持つステートプロファイル、1,215のコンフラクタブルなステートペアを区別する差別的分析で構成されている。 480の作用可能なR1-R4関係(3つ以上の独立した論文)を同定し、47の学習状態と111の異なる指標のマッピングの35.5%をカバーしている。 残りの91.5%(9,653枚の論文)は複製のための探索仮説を形成する。 このフレームワークは、ギャップを識別するための実証的な基盤、状態推論のためのエビデンスベースのツール、そして、技術者がマルチモーダル検出のための機能を検証する。

関連論文リスト

• Identity Is More Than Recall: A Benchmark for Persistent Identity in Deployed AI Agents [3.2278218804727334]
  我々はPAI-Benchを紹介した。PAI-Benchは、バージョン管理された更新管理されたID契約に忠実性を示すプロバイダニュートラルなベンチマークである。 リコール、コンポジション、行動規範、抵抗、永続性、系統、ロール条件の更新を分離する。 調査では、ホック後の監査とフォローアップで、条件ごとに単一のターゲットサンプルを使用する。
  論文  参考訳（メタデータ） (2026-09-12T01:06:00Z)
• Sci-MMR: Benchmarking Multi-Step Evidence-Grounded Scientific Reasoning in Multimodal Agents [56.93800079330285]
  既存のマルチモーダルベンチマークは、最終回答の精度を大きく評価する。 我々は,多段階のエビデンスに基づく科学的推論のためのベンチマークであるSci-MMRを紹介する。 その結果,解答精度は完全証拠回収率を20%以上上回ることがわかった。
  論文  参考訳（メタデータ） (2026-09-10T08:41:07Z)
• NovGauge: A Fine-Grained Benchmark for Diagnosing LLMs' Capability in Paper Novelty Assessment [54.4265627247104]
  大規模言語モデル(LLM)は、主要なAIカンファレンスでピアレビューでますます使用されている。 既存のベンチマークでは、ノベルティを1つの総合的なスコアとして評価している。 本報告では,詳細なノベルティアセスメント診断のための人手によるベンチマークであるNovGaugeについて述べる。
  論文  参考訳（メタデータ） (2026-09-10T08:34:56Z)
• Ontology-Amplified Distillation and Contextuality Auditing for Sovereign Enterprise Language Models: A Combined Proof-of-Mechanism and Negative-Results Method Study [0.0]
  本稿では2つの関連するFAOS研究を1つのメカニズムと制御項目にまとめる。 まず, オントロジー増幅蒸留の低消費電力実験を報告する。 第2に,エンタープライズエージェントルーティングのためのコンテキスト性監査手法を統合する。
  論文  参考訳（メタデータ） (2026-07-11T15:42:40Z)
• ITPEval: Benchmarking Formal Translation Across Interactive Theorem Provers [77.95933562142014]
  ITPEvalは、4つの主要なIPP間で自動形式証明翻訳を評価するための最初のベンチマークである。 itpevalは、状態が分離されたウォームバックエンドを備えた、統合されたマルチITP認証インフラストラクチャです。
  論文  参考訳（メタデータ） (2026-07-07T22:05:55Z)
• CalBrief: A Pilot Diagnostic Benchmark for Evidence-Calibrated Scientific Briefing with Large Language Models [8.057966659934769]
  大規模言語モデル (LLMs) は研究助手としての利用が増えているが, 支持する証拠の強さと範囲について, 研究成果を校正できるかどうかは不明である。 我々は,エビデンスを校正した科学的ブリーフィングについて検討する: 関連論文の束縛されたパッケージを考えると,システムはエビデンス強度,スコープ境界,欠落したエビデンス注意点を備えたパッケージレベルのテイクアウトを生成するべきである。 私たちは、ブリーフィングが故障した場所を特定するための診断プローブとして、監査可能なロール/ギャップ/強度フレームワークであるCalBriefを使用します。
  論文  参考訳（メタデータ） (2026-06-11T06:49:52Z)
• ScientistOne: Towards Human-Level Autonomous Research via Chain-of-Evidence [57.37494162084001]
  チェーン・オブ・エビデンス(Chain-of-Evidence, CoE)は、すべてのクレームがエビデンス・ソースにトレース可能であることを要求する検証可能なフレームワークである。 CoE Auditはポストホック監査であり、スコア検証、仕様違反、参照検証、メソッドコードアライメントという4つの整合性チェックが全システムに均一に適用される。
  論文  参考訳（メタデータ） (2026-05-25T21:30:27Z)
• GSAR: Typed Grounding for Hallucination Detection and Recovery in Multi-Agent LLMs [0.0]
  クレームを4方向のタイポロジー(接地,非接地,矛盾,相補的)に分割する基盤性フレームワークを提案する。 GSARは、明示的な計算予算の下で、結合された回復を伴うエビデンス型スコアリングを結合した最初の基盤フレームワークである。
  論文  参考訳（メタデータ） (2026-04-25T16:20:28Z)
• An Agentic Evaluation Architecture for Historical Bias Detection in Educational Textbooks [0.17188280334580197]
  歴史教科書には、しばしば暗黙の偏見、ナショナリストのフレーミング、大規模な監査が難しい選択的な省略が含まれている。 本稿では,マルチモーダルスクリーニングエージェント,5つの評価エージェントからなる異種陪審,および評価合成と人間のエスカレーションのためのメタエージェントからなるエージェント評価アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2026-04-09T06:51:32Z)
• Lie to Me: How Faithful Is Chain-of-Thought Reasoning in Reasoning Models? [0.0]
  CoT(Chain-of- Thought)推論は、安全クリティカルなデプロイメントにおける大規模言語モデルの透明性メカニズムとして提案されている。 本研究では,9つの建築家族を対象としたオープンウェイト推論モデルを498の質問に対して検討した。 41,832回の推論では、全体の忠実度は39.7% (Seed-1.6-Flash) から89.9% (DeepSeek-V3.2- Speciale) まで変化している。
  論文  参考訳（メタデータ） (2026-03-23T21:21:37Z)
• Cognitive Foundations for Reasoning and Their Manifestation in LLMs [63.12951576410617]
  大規模言語モデル(LLM)は複雑な問題を解くが、単純な変種では失敗し、人間の推論と根本的に異なるメカニズムによって正しい出力を達成することを示唆している。 我々は認知科学研究を、推論不変量、メタ認知制御、推論と知識の組織化のための表現、変換操作にまたがる28の認知要素の分類学に合成する。 複雑な問題に対して66.7%の性能向上を図り、成功構造を自動的に把握するテストタイム推論ガイダンスを開発した。
  論文  参考訳（メタデータ） (2025-11-20T18:59:00Z)
• Stated Preference for Interaction and Continued Engagement (SPICE): Evaluating an LLM's Willingness to Re-engage in Conversation [0.0]
  Stated Preference for Interaction and Continued Engagement (SPICE)は、大規模言語モデルにYESまたはNO質問をすることで引き起こされる単純な診断信号である。 10-interactionstimul setによる3-tone(親しみやすい,不明瞭,嫌悪感)を用いた実験では,4つのフレーミング条件で4つのオープンウェイトチャットモデルを検証した。 友好的な相互作用は継続をほぼ一様に好んだ(97.5% YES)が、虐待的相互作用は断念を強く好んだ(17.9% YES)
  論文  参考訳（メタデータ） (2025-09-10T22:34:17Z)
• Text Classification via Large Language Models [63.1874290788797]
  テキスト分類に関わる複雑な言語現象に対処するために、Clue And Reasoning Prompting (CARP)を導入する。 注目すべきは、CARPが5つの広く使用されているテキスト分類ベンチマークのうち4つで新しいSOTAパフォーマンスを得ることだ。 さらに重要なのは、CARPが低リソースとドメイン適応のセットアップで素晴らしい能力を提供します。
  論文  参考訳（メタデータ） (2023-05-15T06:24:45Z)
• Empirical Estimates on Hand Manipulation are Recoverable: A Step Towards Individualized and Explainable Robotic Support in Everyday Activities [80.37857025201036]
  ロボットシステムの鍵となる課題は、他のエージェントの振る舞いを理解することである。 正しい推論の処理は、(衝突)因子が実験的に制御されない場合、特に困難である。 人に関する観察研究を行うために必要なツールをロボットに装備することを提案する。
  論文  参考訳（メタデータ） (2022-01-27T22:15:56Z)
• KGE-CL: Contrastive Learning of Knowledge Graph Embeddings [64.67579344758214]
  本稿では,知識グラフ埋め込みのための簡易かつ効率的な学習フレームワークを提案する。 これは、関連するエンティティと異なる三重項におけるエンティティ-リレーションのカップルのセマンティック距離を短縮することができる。 WN18RRデータセットで51.2% MRR、46.8% Hits@1、59.1% MRR、51.8% Hits@1、YAGO3-10データセットで達成できる。
  論文  参考訳（メタデータ） (2021-12-09T12:45:33Z)

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。