論文の概要: Taklif.AI: LLM-Powered Platform for Interest-Based Personalized College Assignments
- arxiv url: http://arxiv.org/abs/2605.05842v1
- Date: Thu, 07 May 2026 08:17:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:11.621944
- Title: Taklif.AI: LLM-Powered Platform for Interest-Based Personalized College Assignments
- Title（参考訳）: Taklif.AI:利害関係者による個人化大学指定のためのLLMプラットフォーム
- Authors: Zaki Kurdya, Mohammed Zuqlam, Salem Amassi, Shady Telbany, Motaz Saad,
- Abstract要約: Taklif.AIは、個々の学生の興味に合った個別の課題を自動的に生成するプラットフォームである。
本稿では,システムアーキテクチャ,プロンプト設計方法論,ガードレールフレームワークについて述べる。
68名を対象に予備的ユーザ受け入れテストを行ったところ、肯定的な評価が得られ、84%の参加者がパーソナライズ機能を有益と評価している。
- 参考スコア（独自算出の注目度）: 0.3262230127283452
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Educators face significant challenges in creating engaging, personalized assignments that accommodate students' diverse interests and cognitive abilities. Traditional one-size-fits-all assignments frequently lead to decreased student engagement and increased reliance on unethical practices such as plagiarism. To address these challenges, we present Taklif.AI, a platform that leverages Large Language Models (LLMs) to automatically generate personalized assignments tailored to individual student interests. Unlike existing AI-powered educational platforms that personalize based on academic performance metrics alone, Taklif.AI incorporates students' extracurricular interests and cultural contexts into the assignment generation process through a structured prompt engineering pipeline with input and output guardrails. The platform employs a serverless architecture on AWS with Next.js, using Llama 3.3 70B as the primary LLM via LiteLLM for multi-provider load balancing and LangChain for prompt orchestration. We describe the system architecture, the prompt design methodology, and the guardrails framework that ensures output quality. Preliminary user acceptance testing with 68 participants (65 students and 3 educators) indicates positive reception, with 84% of participants rating the personalization feature as beneficial. We discuss the platform's current capabilities and limitations, and outline directions for rigorous empirical evaluation of learning outcomes.
- Abstract（参考訳）: 教育者は、学生の多様な興味と認知能力に対応する、エンゲージメントでパーソナライズされた課題を作成する上で、重大な課題に直面している。
伝統的なワンサイズ・オールの課題は、しばしば学生のエンゲージメントを減少させ、盗作のような非倫理的慣行への依存を増大させる。
これらの課題に対処するために,大規模言語モデル(LLM)を活用するプラットフォームであるTaklif.AIを紹介した。
学術的パフォーマンス指標のみに基づいてパーソナライズする既存のAIベースの教育プラットフォームとは異なり、Taklif.AIは学生の課外関心や文化的文脈を、入力と出力のガードレールを備えた構造化されたプロンプトエンジニアリングパイプラインを通じて割り当て生成プロセスに組み込む。
プラットフォームはAWS上のNext.jsでサーバレスアーキテクチャを採用しており、Llama 3.3 70BをLLMのマルチプロジェクタロードバランシングにLiteLLM、迅速なオーケストレーションにLangChainを使用している。
本稿では,システムアーキテクチャ,プロンプト設計方法論,出力品質を保証するガードレールフレームワークについて述べる。
68名(65名の学生と3名の教育者)による予備的ユーザ受け入れテストでは,肯定的な評価が得られ,84%の参加者がパーソナライズ機能を有益と評価している。
本稿では,プラットフォームの現在の能力と限界について論じ,学習成果の厳密な実証的評価の方向性を概説する。
関連論文リスト
- Evaluating LLMs for Answering Student Questions in Introductory Programming Courses [0.0]
本研究では,CS1プログラミングコースにおける学生の質問に答える上で,大規模言語モデルの安全かつ効果的に支援する能力について検討する。
従来のテキストマッチングメトリクスは、オープンエンドの教育応答を評価するには不十分であるため、独自のLCM-as-a-Judgeメトリックを開発し、検証した。
以上の結果から,ジェミニ3フラッシュなどのモデルが典型的な教育者応答の品質基準を超越し,専門家の教育基準と高い整合性が得られることが示唆された。
論文 参考訳（メタデータ） (2026-03-30T11:22:58Z) - Rethinking Personalization in Large Language Models at the Token Level [89.64259958702165]
パーソナライズは通常、ベースNLPタスクの上に追加レイヤとしてフレーム化される。
トークンレベルの観点からは、応答中の異なるトークンは、様々な程度にパーソナライズに寄与する。
本稿では,ユーザ固有の情報に対する各出力トークンの依存性を推定する自己コントラスト手法PerContrastを提案する。
論文 参考訳（メタデータ） (2026-02-04T16:05:02Z) - LLM Prompt Evaluation for Educational Applications [2.1883807277376754]
大規模言語モデル(LLM)は、教育応用においてますます一般的になっている。
LLMプロンプトを設計・評価するためのエビデンスベースの手法の必要性が高まっている。
本研究では,プロンプト評価のための汎用的,体系的なアプローチを提案する。
論文 参考訳（メタデータ） (2026-01-22T17:31:25Z) - ProfBench: Multi-Domain Rubrics requiring Professional Knowledge to Answer and Judge [94.40918390309186]
大規模言語モデル(LLM)の進捗を評価することは、応答を検証するという課題によって制約されることが多い。
7000以上の応答基準ペアの集合であるProfBenchを紹介する。
以上の結果から, ProfBench は最先端の LLM においても大きな課題となることが明らかとなった。
論文 参考訳（メタデータ） (2025-10-21T17:59:44Z) - PAPPL: Personalized AI-Powered Progressive Learning Platform [4.427312315598971]
本稿では,工学教育に特化した高度知能学習システムであるPAPPL(Personalized AI-Powered Progressive Learning)について紹介する。
PAPPLは、エキスパートモジュール、学生モジュール、チューターモジュール、ユーザーインターフェースを含むコアITSコンポーネントを統合し、洗練された大規模言語モデル(LLM)であるGPT-4oを利用する。
このシステムは、学生の試行を独自に記録し、繰り返し行われる誤解を検知し、段階的に目標とするフィードバックを生成し、各生徒の学習プロファイルに動的に適応するパーソナライズされた支援を提供する。
論文 参考訳（メタデータ） (2025-08-18T00:35:24Z) - Evaluating Machine Expertise: How Graduate Students Develop Frameworks for Assessing GenAI Content [1.967444231154626]
本稿では,大学院生が大規模言語モデル(LLM)を用いたWebベースインタラクションにおいて,機械生成の専門知識を評価するためのフレームワークを開発する方法について検討する。
その結果, 学生は, 職業的アイデンティティ, 検証能力, システムナビゲーション経験の3つの要因により, 評価フレームワークを構築していることがわかった。
論文 参考訳（メタデータ） (2025-04-24T22:24:14Z) - Recommending the right academic programs: An interest mining approach using BERTopic [46.133648730062035]
本稿では,プログラムの内容と個人の嗜好の両方に基づいて,学生に効果的なレコメンデーションを提供する最初の情報システムを提案する。
BERTopicは、テキスト埋め込み技術を利用してトピック表現を生成する強力なトピックモデリングアルゴリズムである。
後中等学校におけるケーススタディでは,システムが即時かつ効果的な意思決定支援を提供することを示す。
論文 参考訳（メタデータ） (2025-01-11T16:34:10Z) - Constraining Participation: Affordances of Feedback Features in Interfaces to Large Language Models [49.266685603250416]
大規模言語モデル(LLM)は、コンピュータ、Webブラウザ、ブラウザベースのインターフェースによるインターネット接続を持つ人なら誰でも利用できるようになった。
本稿では,ChatGPTインタフェースの対話型フィードバック機能によって,LLMへのユーザ参加が期待できるかを検討する。
論文 参考訳（メタデータ） (2024-08-27T13:50:37Z) - Empowering Private Tutoring by Chaining Large Language Models [87.76985829144834]
本研究は,最先端の大規模言語モデル(LLM)を活用した,本格的な知的チューリングシステムの開発を探求する。
このシステムは、相互に接続された3つのコアプロセス(相互作用、反射、反応)に分けられる。
各プロセスは LLM ベースのツールと動的に更新されたメモリモジュールによって実装される。
論文 参考訳（メタデータ） (2023-09-15T02:42:03Z) - Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。
近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
論文 参考訳（メタデータ） (2021-01-19T12:23:32Z)
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。