論文の概要: MIRACLE_Multi-Agent Intelligent Regulation to Advance Collaborative Learning Environment
- arxiv url: http://arxiv.org/abs/2605.12923v1
- Date: Wed, 13 May 2026 03:00:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-14 23:30:27.773099
- Title: MIRACLE_Multi-Agent Intelligent Regulation to Advance Collaborative Learning Environment
- Title（参考訳）: MIRACLE_Multi-Agent Intelligent Regulation to Advance Collaborative Learning Environment
- Abstract要約: 本研究では,メタ認知的レギュレーションを組織化することによって,社会共有レギュレーション(SSRL)を支援するMIRACLEシステムを紹介する。
学生は、MIRACLEを認知、規制、感情支援の効果的なファシリテーターとして捉えた。
- 参考スコア（独自算出の注目度）: 7.361334635071246
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Effective collaboration requires Socially Shared Regulation (SSRL), but students often lack these skills. This study introduces the MIRACLE (Multi-Agent Intelligent Regulation to Advance Collaborative Learning Environment) system, which supports SSRL by orchestrating metacognitive regulation and proactively providing emotional and motivational support. We conducted a quasi-experimental study with 90 fifth-grade students. The experimental group (n=42) used a collaborative platform CocoNote equipped with MIRACLE, while the control group (n=48) used the same platform with a general GPT assistant. Quantitative results show the MIRACLE group achieved significant gains across SSRL phases (Planning, Monitoring, Reflection) and produced higher-quality collaborative artifacts compared to the control group. Qualitative findings indicate students perceived MIRACLE as an effective facilitator for cognitive, regulatory, and emotional support. This study demonstrates that specialized, orchestrated AI systems are more effective than generic AI in enhancing SSRL.
- Abstract（参考訳）: 効果的なコラボレーションにはSSRL(Socially Shared Regulation)が必要であるが、学生はこれらのスキルを欠いていることが多い。
本研究では,メタ認知的規制を編成し,感情的・動機的支援を積極的に行うことによって,SSRLを支援するMIRACLE(Multi-Agent Intelligent Regulation to Advance Collaborative Learning Environment)システムを紹介する。
5年生90名を対象に準実験を行った。
実験群 (n=42) はMIRACLEを搭載したコラボノートを用いたが, コントロール群 (n=48) は一般GPTアシスタントを用いた。
MIRACLE群はSSRL期(プランニング,モニタリング,リフレクション)で有意に向上し,制御群と比較して高品質な協調アーティファクトが得られた。
質的な所見は、学生がMIRACLEを認知、規制、感情的支援の効果的なファシリテーターとして捉えていることを示している。
本研究は、SSRLの強化において、汎用AIよりも、専門的、組織化されたAIシステムがより効果的であることを示す。
関連論文リスト
- Group Selection Promotes Prosocial Prompts in Populations of LLM Agents [1.7004466773233589]
グループ選択は,大規模言語モデル(LLM)エージェントの集団における協調を促進することができるかを検討する。
グループ選択では、ハイパフォーマンスなグループからのプロンプトが送信され、それによって社会性の促進と協力の安定化が促進される。
予備的な発見は、選択メカニズムを知らせると、GPT-5.4は先制的に第1世代の寄付を徐々に調整することを示している。
論文 参考訳（メタデータ） (2026-06-22T13:47:19Z) - CollabSim: A CSCW-Grounded Methodology for Investigating Collaborative Competence of LLM Agents through Controlled Multi-Agent Experiments [32.043112677406064]
CollabSimは、理論に基づく協調能力の定義、相互作用条件の制御、エージェントの内部状態のアクションレベル探索を組み合わせたシミュレーションフレームワークである。
CollabSimは条件効果をキャプチャし、モデルパフォーマンスパターンを分離し、エージェント設計のタスク依存効果を明らかにする。
論文 参考訳（メタデータ） (2026-06-04T17:06:22Z) - Guided Collaboration in Heterogeneous LLM-Based Multi-Agent Systems via Entropy-Based Understanding Assessment and Experience Retrieval [35.96356869281219]
本稿では,強弱系における反直観的現象について述べる。
本稿では,各エージェントの認知状態を動的に調整するエントロピーに基づく適応誘導フレームワークを提案する。
我々のアプローチは、不均一なコラボレーションの有効性と安定性を一貫して向上させる。
論文 参考訳（メタデータ） (2026-02-14T07:10:04Z) - MedSAM-Agent: Empowering Interactive Medical Image Segmentation with Multi-turn Agentic Reinforcement Learning [53.37068897861388]
MedSAM-Agentは、対話的なセグメンテーションを多段階の自律的な意思決定プロセスとして再構築するフレームワークである。
マルチターン・エンド・ツー・エンドの成果検証を統合した2段階のトレーニングパイプラインを開発した。
6つの医療モダリティと21のデータセットにわたる実験は、MedSAM-Agentが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2026-02-03T09:47:49Z) - Collaborative Multi-Agent Test-Time Reinforcement Learning for Reasoning [112.16686518063456]
textbfMulti-Agent Test-Time Reinforcement Learning (MATTRL)を導入する。
MATTRLは、マルチターンの議論、テストタイムの経験の検索と統合、最終的な意思決定のコンセンサスに到達するための、複数の専門家のチームを形成する。
MATTRLは、医学、数学、教育の挑戦的なベンチマーク全体にわたって、マルチエージェントベースラインで平均3.67%、同等のシングルエージェントベースラインで平均8.67%の精度を向上する。
論文 参考訳（メタデータ） (2026-01-14T17:57:43Z) - Modeling Collaborative Problem Solving Dynamics from Group Discourse: A Text-Mining Approach with Synergy Degree Model [0.14705219137930792]
本研究では,グループ通信からCPSのシナジーを定量化するために,自動談話分析をSynergy Degree Model(SDM)と統合する計算フレームワークを提案する。
5週間のコネクティビストMOOC(cMOOC)活動において,12グループ52人の学習者からデータを収集した。
発見はコラボレーションのセンシティブな指標としてシナジー学位を確立し、AI-in-the-loopアプローチによるきめ細かいCPS分析のスケールアップの可能性を示す。
論文 参考訳（メタデータ） (2025-12-15T07:43:24Z) - SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。
実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。
回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
論文 参考訳（メタデータ） (2025-11-29T09:18:39Z) - CoMAS: Co-Evolving Multi-Agent Systems via Interaction Rewards [80.78748457530718]
自己進化(Self-evolution)は、大規模言語モデル(LLM)ベースのエージェントが事前トレーニング後の能力を継続的に改善できるようにする上で、中心的な研究トピックである。
エージェントがエージェント間相互作用から学習することで自律的に改善できる新しいフレームワークであるCo-Evolving Multi-Agent Systems (CoMAS)を紹介する。
論文 参考訳（メタデータ） (2025-10-09T17:50:26Z) - Policy Search, Retrieval, and Composition via Task Similarity in Collaborative Agentic Systems [12.471774408499817]
Agentic AIの目的は、自身の目標を設定し、変化に積極的に適応し、継続的な経験を通じて振る舞いを洗練するシステムを作ることだ。
最近の進歩は、複数の予期せぬタスクに直面している場合、エージェントは他のエージェントによって既に完全にあるいは部分的に学習されている機械学習の知識と再利用のポリシーを共有することの恩恵を受ける可能性があることを示唆している。
本研究は,エージェントが選択すべき知識,誰から,いつ,どのように,それを独自の政策に統合して,自身の学習を加速するかを検討する。
論文 参考訳（メタデータ） (2025-06-05T20:38:11Z) - HiddenBench: Assessing Collective Reasoning in Multi-Agent LLMs via Hidden Profile Tasks [12.203366267017737]
マルチエージェント LLM における集合的推論を評価するための最初のベンチマークである HiddenBench を紹介する。
ベンチマークを基礎として,このパラダイムをカスタムタスクで形式化し,GPT-4.1グループが分散知識の統合に失敗したことを示す。
次に、カスタムデザイン、先行研究、自動生成から引き出された65のタスクにまたがる完全なベンチマークを構築します。
論文 参考訳（メタデータ） (2025-05-15T19:22:54Z) - Large Language Model-based Human-Agent Collaboration for Complex Task
Solving [94.3914058341565]
複雑なタスク解決のためのLarge Language Models(LLM)に基づくヒューマンエージェントコラボレーションの問題を紹介する。
Reinforcement Learning-based Human-Agent Collaboration method, ReHACを提案する。
このアプローチには、タスク解決プロセスにおける人間の介入の最も急進的な段階を決定するために設計されたポリシーモデルが含まれている。
論文 参考訳（メタデータ） (2024-02-20T11:03:36Z) - Learning Reward Machines in Cooperative Multi-Agent Tasks [75.79805204646428]
本稿では,MARL(Multi-Agent Reinforcement Learning)に対する新しいアプローチを提案する。
これは、協調的なタスク分解と、サブタスクの構造をコードする報酬機(RM)の学習を組み合わせる。
提案手法は、部分的に観測可能な環境下での報酬の非マルコフ的性質に対処するのに役立つ。
論文 参考訳（メタデータ） (2023-03-24T15:12:28Z)
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。