論文の概要: Improving Hybrid Human-AI Tutoring by Differentiating Human Tutor Roles Based on Student Needs

• arxiv url: http://arxiv.org/abs/2605.11155v1
• Date: Mon, 11 May 2026 19:02:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.374927
• Title: Improving Hybrid Human-AI Tutoring by Differentiating Human Tutor Roles Based on Student Needs
• Title（参考訳）: 学生ニーズに基づくヒューマン・チュータの役割の分化によるハイブリッド型AIチューニングの改善
• Authors: Ashish Gurung, Ge Gao, Jordan Gutterman, Danielle R. Thomas, Shivang Gupta, Lee Branstetter, Emma Brunskill, Vincent Aleven, Kenneth R. Koedinger,
• Abstract要約: 人間の家庭教師は、低パフォーマンスの学生のサポートを開始し、高パフォーマンスの学生は、リアクティブでオンデマンドなサポートを受ける。 秋(AIのみの授業)と春(アクティブな人間とAIの授業)の2つの期間の成績を比較した。 AIのみのベースラインに比べて、人間とAIのトレーニングによる大幅な改善が見られた。タスクにかかる時間の増加は25%増加し、スキルの熟練度は36%、アカデミックな成長は61%だった。
• 参考スコア（独自算出の注目度）: 18.513386295960007
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hybrid human-AI tutoring, where technology and humans jointly facilitate student learning, can be more beneficial than AI-only tutoring. However, preliminary evidence suggests that lower-performing students derive greater benefit from human-AI tutoring than higher-performing students. As such, this study evaluates whether a differentiated tutoring policy can effectively support both groups: human tutors initiate support for lower-performing students, while higher-performing students receive reactive, on-demand support. Using their within-grade median state test scores, we assigned 635 students (grades 5-8) to receive proactive (< median) or reactive ($\geq$ median) tutoring. Using a DiDC design, we compare outcomes across two time periods: fall (AI-only tutoring) and spring (proactive-reactive human-AI tutoring). This quasi-experimental design isolates the effects of proactive-reactive tutoring approaches by comparing the discontinuity in spring outcomes to the fall, where no such discontinuity existed. Using data around the cutoff (Imbens-Kalyanaraman criterion), we find significant overall improvements from human-AI tutoring compared to AI-only baseline: 25% increase in time on task, 36% in skill proficiency, and 61% in academic growth (standardized MAP test). Between proactive and reactive tutoring, we find comparable improvements in time-on-task and skill proficiency. However, proactive tutoring, on average, showed marginally higher MAP growth (75%, p = .065) than reactive tutoring, i.e., proactive tutoring was more beneficial to students farther below the cutoff and helped narrow achievement gaps. Our findings provide evidence that differentiated human-AI tutoring addresses the needs of both groups, offering a practical and cost-effective strategy for scaling hybrid instruction.
• Abstract（参考訳）: 技術と人間が共同で生徒の学習を促進するハイブリッドなAI学習は、AIのみの学習よりも有益である。 しかし, 成績の低い学生は, 成績のよい生徒よりも, 対人指導の恩恵が大きいことが予備的証拠から示唆された。 そこで本研究では,2つのグループを効果的に支援できるかを評価する。人間教師は低パフォーマンスな学生を支援する一方で,高パフォーマンスな生徒は反応的,オンデマンドな支援を受ける。 635名の学生(学年5～8名)に、中等中等中等中等中等中等中等中等中等中等中等度(中等中等中等中等中等中等中等中等中等中等中等中等中等中等中等中等中等中等中等中等中等中等中等中等中等)の指導を行った。 DDC設計を用いて、秋(AIのみの学習)と春(能動的に反応する人間-AIの学習)の2つの期間の成績を比較した。 この準実験設計は、春期の結果の不連続性と秋期の不連続とを比較して、積極的-反応性チューリングアプローチの効果を分離する。 カットオフに関するデータ(Imbens-Kalyanaraman criterion)を用いて、AIのみのベースラインと比較して、人間とAIの家庭教師による大幅な改善が見られた。 プロアクティブとリアクティブのチューリングの間には、タイム・オン・タスクとスキルの熟練度が同等に向上している。 しかし、プロアクティブ・チュータリングは、平均して、反応的チュータリングよりもMAP成長(75%、p = .065)が極端に高く、すなわち、プロアクティブ・チュータリングはカットオフよりはるかに低い学生にとって有益であり、達成ギャップの狭さを助長した。 本研究は,2つのグループのニーズに対処し,ハイブリッド教育の実践的で費用対効果の高い戦略を提供する。

関連論文リスト

• The Missing Evaluation Axis: What 10,000 Student Submissions Reveal About AI Tutor Effectiveness [9.482202294953526]
  我々は,AI教師の評価を,学生のインタラクションデータに基づく行動次元で拡張すべきだと論じる。 評価フレームワークを提案し,それに対応するAI教師のフィードバックで10,235のコード入力に適用する。 このフレームワークを使用して、大規模に導入されたコンピュータサイエンスコースにおいて、異なるセメータにまたがる2つのデプロイされたAIチューターを比較することで、学生のエンゲージメントパターンにかなりの違いが明らかになる。
  論文  参考訳（メタデータ） (2026-05-07T03:58:04Z)
• A Comparative Study on the Impact of Traditional Learning and Interactive Learning on Students' Academic Performance and Emotional Well-Being [0.0]
  本研究では,従来の対話型学習手法が学業成績,エンゲージメント,モチベーション,感情的幸福感に与える影響を比較検討した。 学生は、伝統的な学習グループ(講義とノート)や、Kahoot、Panopto、Slido、Quizizz、Padlet、教育ビデオなどのツールを利用した対話型学習グループにランダムに割り当てられた。 その結果、インタラクティブグループの学生は、ポストテスト(67.48%対53.36%)と最終試験(80.8%対61.44%)の両方で成績が有意に向上した。
  論文  参考訳（メタデータ） (2026-03-10T07:45:59Z)
• PATS: Personality-Aware Teaching Strategies with Large Language Model Tutors [66.56586559631516]
  大型言語モデル (LLM) は教育教師としての可能性を秘めている。 しかし、異なる学習戦略は、異なる学生の個性に利益をもたらす。 それにもかかわらず、現在のLLM教育システムは生徒の性格特性を考慮に入れていない。
  論文  参考訳（メタデータ） (2026-01-13T10:17:26Z)
• UCO: A Multi-Turn Interactive Reinforcement Learning Method for Adaptive Teaching with Large Language Models [59.693733170193944]
  大規模言語モデル(LLM)は、教育環境において、回答提供者からインテリジェントな家庭教師へとシフトしている。 最近の強化学習アプローチはこの制限に対処するが、2つの重要な課題に直面している。 これらの課題に対処するために一方向認知最適化法(UCO)を提案する。
  論文  参考訳（メタデータ） (2025-11-12T01:27:02Z)
• Leveraging LLMs to Assess Tutor Moves in Real-Life Dialogues: A Feasibility Study [3.976073625291173]
  数学における中学生を支援する大学学生遠隔教師の無作為に選択した50文字の解析を行った。 GPT-4, GPT-4o, GPT-4-turbo, Gemini-1.5-pro, LearnLM を用いて,教師の2つの指導スキルの適用性を評価する。
  論文  参考訳（メタデータ） (2025-06-20T18:13:33Z)
• AI instructional agent improves student's perceived learner control and learning outcome: empirical evidence from a randomized controlled trial [29.45751702212421]
  本研究は,教科を主教科とする中等教育課程において,AI指導エージェントが生徒の認知的学習者制御と学業成績に与える影響について検討した。 AI指導エージェントグループの学生は、他のグループに比べて学習者のコントロールが有意に高いことを報告した。
  論文  参考訳（メタデータ） (2025-05-28T16:13:27Z)
• Efficacy of a Computer Tutor that Models Expert Human Tutors [2.7666835480733987]
  そこで我々は,知能学習システム(ITS)の9週間の学習効果について検討した。 学生は学習セッションの前後で学習テストを受け、1～2週間後に遅延テストを行った。 ロジスティック・ミックス・エフェクト・モデリングを用いた分析は、ITSとヒューマン・チューターの即時検査に有意な正の効果を示した。
  論文  参考訳（メタデータ） (2025-04-21T17:41:28Z)
• Evaluating and Optimizing Educational Content with Large Language Model Judgments [52.33701672559594]
  言語モデル(LM)を教育専門家として活用し,学習結果に対する様々な指導の影響を評価する。 本稿では,一方のLMが他方のLMの判断を報酬関数として利用して命令材料を生成する命令最適化手法を提案する。 ヒトの教師によるこれらのLM生成ワークシートの評価は、LM判定と人間の教師の嗜好との間に有意な整合性を示す。
  論文  参考訳（メタデータ） (2024-03-05T09:09:15Z)
• Distantly-Supervised Named Entity Recognition with Adaptive Teacher Learning and Fine-grained Student Ensemble [56.705249154629264]
  NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。 本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。 微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
  論文  参考訳（メタデータ） (2022-12-13T12:14:09Z)
• Human Decision Makings on Curriculum Reinforcement Learning with Difficulty Adjustment [52.07473934146584]
  我々は,カリキュラム強化学習結果を,人的意思決定プロセスから学ぶことで,難しすぎず,難しすぎるような望ましいパフォーマンスレベルに導く。 本システムは非常に並列化可能であり,大規模強化学習アプリケーションの訓練が可能となる。 強化学習性能は、人間の所望の難易度と同期してうまく調整できることが示される。
  論文  参考訳（メタデータ） (2022-08-04T23:53:51Z)

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。