論文の概要: Cognitive Agent Compilation for Explicit Problem Solver Modeling

• arxiv url: http://arxiv.org/abs/2605.07040v1
• Date: Thu, 07 May 2026 23:40:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.676535
• Title: Cognitive Agent Compilation for Explicit Problem Solver Modeling
• Title（参考訳）: 明示的問題解モデリングのための認知エージェントコンパイル
• Authors: Hyeongdon Moon, Carolyn Rosé, John Stamper,
• Abstract要約: 大規模言語モデル(LLM)は、チュータリング、フィードバック生成、コンテンツ生成に広く使用されているが、その広範な事前訓練により、制御可能な学習者に対する制約や代替品の不足が困難になる。 本稿では,認知エージェントコンパイル(Cognitive Agent Compilation, CAC)を提案する。 CAC は (i) 知識表現, (ii) 問題解決方針, (iii) 検証と更新規則を分離し, 境界問題の解法をより検査し, 編集しやすくすることを目的としている。
• 参考スコア（独自算出の注目度）: 1.7405377471067036
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are widely used for tutoring, feedback generation, and content creation, but their broad pretraining makes them hard to constrain and poor substitutes for controllable learners. Educational systems often require inspectable and editable knowledge states: educators want to know what a system assumes the learner knows, and learners benefit when the system can justify actions in terms of explicit skills, misconceptions, and strategies. Inspired by cognitive architectures, we propose Cognitive Agent Compilation (CAC), a framework that uses a strong teacher LLM to compile problem-solving knowledge into an explicit target agent. CAC separates (i) knowledge representation, (ii) problem-solving policy, and (iii) verification and update rules, with the goal of making bounded problem solving more inspectable and editable in educational settings. We present an early proof of concept implemented with Small Language Models that surfaces key design trade-offs, particularly between explicit control and scalable generalization, and positions CAC as an initial step toward bounded-knowledge AI for educational applications.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、チュータリング、フィードバック生成、コンテンツ生成に広く使用されているが、その広範な事前訓練により、制御可能な学習者に対する制約や代替品の不足が困難になる。 教育者は、学習者が知っていることをシステムがどう仮定するかを知りたがり、学習者は、システムが明示的なスキル、誤解、戦略の観点でアクションを正当化できるときに恩恵を受ける。 認知的アーキテクチャに着想を得た認知エージェントコンパイル(Cognitive Agent Compilation, CAC)を提案する。 CACが分離する (i)知識表現 (二)問題解決方針及び 三 検証及び更新の規則は、教育環境において、より検査しやすく、編集しやすくすることを目的としている。 本稿では,特に明示的な制御と拡張性のある一般化の間において,重要な設計トレードオフを表面化するSmall Language Modelで実装された概念の早期証明と,CACを教育応用のための有界知識AIへの第一歩として位置づける。

関連論文リスト

• Enhanced Question-Answering for Skill-based learning using Knowledge-based AI and Generative AI [2.6699230340282796]
  我々は、テレロジカル、因果、構成原理を具現化した説明を生成するインテリジェントエージェントであるIvyを紹介する。 これにより、学習者はオンライン環境において効果的な問題解決に不可欠なスキルを包括的に理解することが可能になる。
  論文  参考訳（メタデータ） (2025-04-10T05:25:52Z)
• Composite Learning Units: Generalized Learning Beyond Parameter Updates to Transform LLMs into Adaptive Reasoners [0.0]
  連続学習が可能な学習者へ推論器を変換する複合学習ユニット(CLU)を導入する。 CLUは、動的知識リポジトリの保守と進化を可能にするアーキテクチャ上に構築されている。 我々は暗号推論タスクを通じてCLUの有効性を実証し、フィードバックを通じて理解を継続的に進化させ、隠れた変換規則を明らかにする。
  論文  参考訳（メタデータ） (2024-10-09T02:27:58Z)
• Knowledge Tagging with Large Language Model based Multi-Agent System [17.53518487546791]
  本稿では,従来のアルゴリズムの限界に対処するマルチエージェントシステムについて検討する。 我々は,従来の手法が抱えていた課題を克服する上で,LLMベースのマルチエージェントシステムの可能性を強調した。
  論文  参考訳（メタデータ） (2024-09-12T21:39:01Z)
• A Knowledge-Injected Curriculum Pretraining Framework for Question Answering [70.13026036388794]
  本稿では,知識に基づく質問応答タスクの総合的なKG学習と活用を実現するための一般知識注入型カリキュラム事前学習フレームワーク(KICP)を提案する。 KIモジュールはまずKG中心の事前学習コーパスを生成してLMに知識を注入し、プロセスを3つの重要なステップに一般化する。 KAモジュールは、アダプタを備えたLMで生成されたコーパスから知識を学習し、元の自然言語理解能力を維持できる。 CRモジュールは人間の推論パターンに従って3つのコーパスを構築する。
  論文  参考訳（メタデータ） (2024-03-11T03:42:03Z)
• A Comprehensive Study of Knowledge Editing for Large Language Models [82.65729336401027]
  大規模言語モデル(LLM)は、人間のコミュニケーションを忠実に反映したテキストの理解と生成の素晴らしい能力を示している。 本稿では,知識編集の問題を定義し,最先端アプローチの包括的レビューを行う。 我々は,代表的知識編集アプローチの総合的評価のための新しいベンチマークであるKnowEditを紹介した。
  論文  参考訳（メタデータ） (2024-01-02T16:54:58Z)

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。