論文の概要: Retrieval-Augmented Tutoring for Algorithm Tracing and Problem-Solving in AI Education

• arxiv url: http://arxiv.org/abs/2605.12988v1
• Date: Wed, 13 May 2026 04:37:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.811516
• Title: Retrieval-Augmented Tutoring for Algorithm Tracing and Problem-Solving in AI Education
• Title（参考訳）: AI教育におけるアルゴリズム追跡と問題解決のための検索学習
• Authors: Mragisha Jain, Tirth Bhatt, Griffin Pitts, Aum Pandya, Peter Brusilovsky, Narges Norouzi, Arto Hellas, Juho Leinonen, Bita Akram,
• Abstract要約: KITE(Knowledge-Informed Tutoring Engine)は、RAG(Retrieval-Augmented Generation)ベースのインテリジェントチューリングシステムである。 意図を意識したソクラテス的反応戦略を使用して、異なる学生のニーズに対するサポートを調整する。 その結果,KITEは文脈的に接地し,適切な応答を得られることがわかった。
• 参考スコア（独自算出の注目度）: 7.391059084464689
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Students learning algorithms often need support as they interpret traces, debug reasoning errors, and apply procedures across unfamiliar problem instances. In this paper, we present KITE (Knowledge-Informed Tutoring Engine), a Retrieval-Augmented Generation (RAG)-based intelligent tutoring system designed to serve as a classroom teaching assistant for algorithmic reasoning and problem-solving tasks. KITE uses an intent-aware Socratic response strategy to tailor support to different student needs, responding with targeted hints, guiding questions, and progressive scaffolding intended to strengthen students' algorithmic problem-solving ability. To keep responses aligned with course content, KITE uses a multimodal RAG pipeline that retrieves relevant information from course materials. We evaluate KITE using three forms of assessment: RAGAs-based metrics for response grounding and quality, expert evaluation of pedagogical quality, and a simulated student pipeline in which a weaker language model interacts with KITE across two-turn dialogues and produces revised answers after receiving feedback. Results indicate that KITE produces contextually grounded and pedagogically appropriate responses. Further, using simulated students, KITE's feedback helped the student models produce more accurate follow-up responses on procedural and tracing questions, suggesting that its scaffolding can support algorithmic problem-solving. This work contributes a tutoring architecture and an evaluation approach for assessing retrieval-grounded explanations and scaffolded problem-solving feedback.
• Abstract（参考訳）: 学習アルゴリズムは、トレースを解釈し、推論エラーをデバッグし、不慣れな問題インスタンスにプロシージャを適用するため、しばしばサポートが必要である。 本稿では,RAGに基づく知的学習システムであるKITE(Knowledge-Informed Tutoring Engine)について述べる。 KITEは、意図を意識したソクラテス的対応戦略を使用して、異なる学生のニーズに対するサポートを調整し、対象とするヒント、質問のガイド、およびアルゴリズムによる問題解決能力を強化するための進歩的な足場に応答する。 KITEは、コース内容に一致した応答を維持するために、コース資料から関連する情報を取得するマルチモーダルRAGパイプラインを使用する。 我々は, RAGAによる応答基盤と品質の評価, 教育的品質のエキスパート評価, および, より弱い言語モデルが2ターン対話を通してKITEと対話し, フィードバックを受けた後に修正回答を生成するシミュレーション学生パイプラインを用いて, KITEの評価を行う。 その結果,KITEは文脈的に接地し,適切な応答を得られることがわかった。 さらに、シミュレーションされた学生を用いて、KITEのフィードバックは、学生モデルが手続き的および追跡的な質問に対してより正確なフォローアップ応答を生成するのに役立ち、その足場がアルゴリズム的な問題解決を支援することを示唆した。 本研究は, 学習アーキテクチャと, 探索型説明文と足場型問題解決フィードバックを評価するための評価手法に寄与する。

関連論文リスト

• Design and Deployment of a Course-Aware AI Tutor in an Introductory Programming Course [3.8144358095849946]
  大規模言語モデル(LLM)は、学生がプログラミングタスクを解く方法の一部となり、即座に説明し、完全なソリューションも提供してきた。 これまでの研究では、初心者プログラマはLLMに大きく依存しているため、自分たちの問題解決スキルを欠いていることが強調されていた。 我々は、完全なソリューションを生成することなく、検索強化されたコースアラインガイダンスを提供する、コース固有のオンラインPythonチューターを設計した。
  論文  参考訳（メタデータ） (2026-04-12T08:17:25Z)
• Instruct, Not Assist: LLM-based Multi-Turn Planning and Hierarchical Questioning for Socratic Code Debugging [27.70379206820154]
  ソクラテス質問は効果的な教育戦略であり、批判的思考と問題解決を奨励する。 TreeInstructは、学生が個別にエラーを特定し、解決するのを助けるために、探索的な質問をする。 学生の概念的・統語的知識を推定し、その反応と現在の知識状態に基づいて質問ツリーを動的に構築する。
  論文  参考訳（メタデータ） (2024-06-17T16:28:21Z)
• Improving the Validity of Automatically Generated Feedback via Reinforcement Learning [46.667783153759636]
  強化学習(RL)を用いた正当性と整合性の両方を最適化するフィードバック生成フレームワークを提案する。 具体的には、直接選好最適化(DPO)によるトレーニングのための拡張データセットにおいて、GPT-4のアノテーションを使用してフィードバックペアよりも好みを生成する。
  論文  参考訳（メタデータ） (2024-03-02T20:25:50Z)
• Retrieval-augmented Generation to Improve Math Question-Answering: Trade-offs Between Groundedness and Human Preference [0.0]
  我々は、高品質なオープンソースの数学教科書からコンテンツを検索して利用し、実際の学生の質問に対する応答を生成するプロンプトを設計する。 マルチ条件サーベイを実施し,中学代数学と幾何学QAのためのRAGシステムの有効性を評価した。 我々は、RAGは応答品質を向上させることができるが、数学のQAシステムの設計者は、学生が好む応答と、特定の教育資源に密接に適合する応答とのトレードオフを検討する必要があると論じる。
  論文  参考訳（メタデータ） (2023-10-04T22:09:28Z)
• Automated Distractor and Feedback Generation for Math Multiple-choice Questions via In-context Learning [43.83422798569986]
  マルチチョイス質問(MCQ)は、管理しやすく、格付けし、信頼性の高い評価形式であるため、ほぼ全てのレベルの教育においてユビキタスである。 これまで、高品質なイントラクタを作るというタスクは、教師やコンテンツデザイナーを学ぶための労働集約的なプロセスのままだった。 本稿では,テキスト内学習をベースとした簡易な学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-07T01:03:04Z)
• MathDial: A Dialogue Tutoring Dataset with Rich Pedagogical Properties Grounded in Math Reasoning Problems [74.73881579517055]
  そこで本稿では,一般学生の誤りを表現した大規模言語モデルを用いて,人間教師の対話を生成する枠組みを提案する。 このフレームワークを用いて3kの1対1の教師-学生対話のデータセットであるMathDialを収集する方法について述べる。
  論文  参考訳（メタデータ） (2023-05-23T21:44:56Z)
• ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
  本稿では,フィードバックを数発の分類として提供するという課題について考察する。 メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。 本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
  論文  参考訳（メタデータ） (2021-07-23T22:41:28Z)
• Deep Discourse Analysis for Generating Personalized Feedback in Intelligent Tutor Systems [4.716555240531893]
  ITS(Intelligent Tutoring System)で、自動化されたパーソナライズされたフィードバックの作成を検討します。 我々のゴールは、学生のより優れた学習目標を達成するために、学生の回答の正しい概念と間違った概念を見極めることである。
  論文  参考訳（メタデータ） (2021-03-13T20:33:10Z)
• Learning an Effective Context-Response Matching Model with Self-Supervised Tasks for Retrieval-based Dialogues [88.73739515457116]
  我々は,次のセッション予測,発話復元,不整合検出,一貫性判定を含む4つの自己教師型タスクを導入する。 我々はPLMに基づく応答選択モデルとこれらの補助タスクをマルチタスク方式で共同で訓練する。 実験結果から,提案した補助的自己教師型タスクは,多ターン応答選択において大きな改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-09-14T08:44:46Z)
• Neural Multi-Task Learning for Teacher Question Detection in Online Classrooms [50.19997675066203]
  教師の音声記録から質問を自動的に検出するエンドツーエンドのニューラルネットワークフレームワークを構築している。 マルチタスク学習手法を取り入れることで,質問の種類によって意味的関係の理解を深めることが可能となる。
  論文  参考訳（メタデータ） (2020-05-16T02:17:04Z)

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。