論文の概要: ProPACT: A Proactive AI-Driven Adaptive Collaborative Tutor for Pair Programming

• arxiv url: http://arxiv.org/abs/2605.02703v1
• Date: Mon, 04 May 2026 15:12:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.360166
• Title: ProPACT: A Proactive AI-Driven Adaptive Collaborative Tutor for Pair Programming
• Title（参考訳）: ProPACT: ペアプログラミングのためのプロアクティブなAI駆動型アダプティブ・コラボレーティブ・チュータ
• Authors: Anahita Golrang, Kshitij Sharma, olga viberg,
• Abstract要約: ProPACT(プロパクト)はAIによる適応型協調学習ツールで、協調を教示の対象として扱う。 ジョイント・ビジュアル・アテンション(JVA)、ジョイント・メンタル・エフォート(JME)、個々人の精神的努力に基づくマルチモーダル・ダイアル学習モデルを構築する。 XGBoostベースの予測モデルを使用して、最大30秒前に出現する最適なコラボレーション状態を予測する。
• 参考スコア（独自算出の注目度）: 2.9074505714221743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective pair programming depends on coordination of attention, cognitive effort, and joint regulation over time, yet most adaptive learning systems remain individual-centric and reactive. This paper introduces ProPACT, a proactive AI-driven adaptive collaborative tutor that treats collaboration itself as the object of instruction. ProPACT constructs a multimodal dyadic learner model based on Joint Visual Attention (JVA), Joint Mental Effort (JME), and individual mental effort, and employs an XGBoost-based forecasting model to predict emerging suboptimal collaboration states up to 30 seconds in advance. These predictions drive a hierarchical adaptive policy that delivers minimally intrusive scaffolds while fading support during productive collaboration. A within-subject study with 26 pair-programming dyads shows that proactive feedback significantly improves debugging success, task efficiency, feedback uptake, and post-intervention gains in JVA and JME, demonstrating the potential of forecast-driven dyadic adaptivity for real-time collaborative learning regulation.
• Abstract（参考訳）: 効果的なペアプログラミングは、注意力、認知力、共同規制の調整に時間をかけて依存するが、ほとんどの適応型学習システムは、個人中心でリアクティブなままである。 本稿では,プロアクティブなAI駆動型適応型協調学習ツールProPACTについて紹介する。 ProPACTは、ジョイント・ビジュアル・アテンション(JVA)、ジョイント・メンタル・エフォート(JME)、個人のメンタル・ワークに基づくマルチモーダル・ダイアル・ラーナーモデルを構築し、XGBoostベースの予測モデルを用いて、新たな準最適協調状態を最大30秒前に予測する。 これらの予測は、生産的なコラボレーションにおいてサポートを失わせる一方で、最小限の侵入的な足場を提供する階層的な適応政策を促進する。 26対のペアプログラミングダイアドを用いた対象内調査では、積極的フィードバックは、JVAとJMEにおけるデバッグ成功、タスク効率、フィードバックの取り込み、インターベンション後の向上を著しく改善し、リアルタイム協調学習規制に対する予測駆動のダイアド適応性の可能性を示している。

関連論文リスト

• Learning When to Cooperate Under Heterogeneous Goals [4.265773997354609]
  典型的なAd Hoc Teamwork (AHT) の設定を拡張して,任意のシナリオにおいて重複する可能性のある,あるいは重複しないヘテロジニアスな目標を持つエージェントのアイデアを取り入れます。 本稿では,模倣と強化学習の階層的な組み合わせを基礎として,この環境下での学習方針に対する新しいアプローチを提案する。 また,チームメイトの行動を予測することによってチームメイトをモデル化する補助的コンポーネントの貢献についても検討し,その効果がチームメイトの目標に関する観測可能な情報の量と逆関係であることを見出した。
  論文  参考訳（メタデータ） (2026-03-07T15:09:27Z)
• Heterogeneous Agent Collaborative Reinforcement Learning [52.99813668995983]
  不均一エージェント協調強化学習(HACRL) 本稿では,このパラダイムに基づいて,サンプル利用とエージェント間の知識伝達を最大化するために,原則的なロールアウト共有を可能にする協調RLアルゴリズムであるHACPOを提案する。 多様な異種モデルの組み合わせと推論ベンチマークによる実験により、HACPOはすべてのエージェントを一貫して改善し、GSPOを平均3.3%上回り、ロールアウトコストの半分しか使っていないことが示された。
  論文  参考訳（メタデータ） (2026-03-03T05:09:49Z)
• Learning "Partner-Aware" Collaborators in Multi-Party Collaboration [12.287537011305497]
  大規模言語モデル(LLM)は,人間との共同作業を行うエージェント設定にデプロイされることが増えている。 本稿では、協調行動に関する新たな理論的洞察を提供するために、AIアライメントと安全な割り込み可能性文献に基づく。 CG-最適協調者を訓練するための新しいパートナー認識学習アルゴリズムであるInterruptible Collaborative Roleplayer (ICR)を提案する。
  論文  参考訳（メタデータ） (2025-10-26T00:05:48Z)
• MEJO: MLLM-Engaged Surgical Triplet Recognition via Inter- and Intra-Task Joint Optimization [52.149337961205624]
  手術用三重項認識のためのタスク間最適化とタスク内最適化を両立する枠組みを提案する。 タスク間最適化のために、タスク共有およびタスク固有コンポーネントに表現を分解する共有特徴分散学習スキーム(S$2$D)を導入する。 タスク内最適化競合に対して,正負の曖昧さを識別・再バランスするコーディネート・グラディエント・ラーニング(CGL)戦略を開発する。
  論文  参考訳（メタデータ） (2025-09-16T09:48:52Z)
• Attention-Augmented Inverse Reinforcement Learning with Graph Convolutions for Multi-Agent Task Allocation [0.29998889086656577]
  マルチエージェントタスクアロケーション(MATA)は,協調型マルチエージェントシステムにおいて重要な役割を担う。 報酬関数学習とタスク実行効率を高めるために,逆強化学習(IRL)に基づくフレームワークを提案する。 提案手法が広く用いられているマルチエージェント強化学習(MARL)アルゴリズムよりも優れていることを示す実験を行った。
  論文  参考訳（メタデータ） (2025-04-07T13:14:45Z)
• REVECA: Adaptive Planning and Trajectory-based Validation in Cooperative Language Agents using Information Relevance and Relative Proximity [5.365719315040012]
  REVECAはGPT-4o-miniを利用した新しい認知アーキテクチャである。 効率的なメモリ管理、最適なプランニング、偽プランニングの費用対効果の防止を可能にする。
  論文  参考訳（メタデータ） (2024-05-27T01:47:14Z)
• Decentralized and Lifelong-Adaptive Multi-Agent Collaborative Learning [57.652899266553035]
  分散型および生涯適応型多エージェント協調学習は、中央サーバを使わずに複数のエージェント間のコラボレーションを強化することを目的としている。 動的協調グラフを用いた分散マルチエージェント生涯協調学習アルゴリズムであるDeLAMAを提案する。
  論文  参考訳（メタデータ） (2024-03-11T09:21:11Z)
• ProAgent: Building Proactive Cooperative Agents with Large Language Models [89.53040828210945]
  ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。 ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。 ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
  論文  参考訳（メタデータ） (2023-08-22T10:36:56Z)
• Human Machine Co-adaption Interface via Cooperation Markov Decision Process System [8.68491060014975]
  本稿では,モデルに基づく強化学習による協調適応手法を提案する。 本研究では,ロボット支援リハビリテーションの全過程を協調的・相互学習プロセスとして扱う。
  論文  参考訳（メタデータ） (2023-05-03T12:00:53Z)
• Composite Learning for Robust and Effective Dense Predictions [81.2055761433725]
  マルチタスク学習は、目標タスクを補助タスクと協調的に最適化することで、より優れたモデル一般化を約束する。 自己監督型(補助的)タスクと密接な予測(目標)タスクを共同でトレーニングすることで、目標タスクの性能を継続的に向上し、補助タスクのラベル付けの必要性を排除できることが判明した。
  論文  参考訳（メタデータ） (2022-10-13T17:59:16Z)

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。