論文の概要: Children's English Reading Story Generation via Supervised Fine-Tuning of Compact LLMs with Controllable Difficulty and Safety

• arxiv url: http://arxiv.org/abs/2605.13709v1
• Date: Wed, 13 May 2026 15:56:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:28.159289
• Title: Children's English Reading Story Generation via Supervised Fine-Tuning of Compact LLMs with Controllable Difficulty and Safety
• Title（参考訳）: 制御難易度と安全性を考慮した小型LDMの教師付き微調整による子どもの英語読み話生成
• Authors: Qian Shen, Fanghua Cao, Min Yao, Shlok Gilda, Bonnie J. Dorr, Walter L. Leite,
• Abstract要約: 大型言語モデル(LLM)は、子どもの物語の生成など教育実践に広く応用されている。 我々は,GPT-4o と Llama 3.3 70B から,既存の専門家が設計した児童読解カリキュラムとそれに対応する物語を用いた。 提案手法はスケールよりも制御性を優先し,コンパクトで手頃なモデルで読み出しレベルとエラーパターンを目標とすることができる。
• 参考スコア（独自算出の注目度）: 3.2264208663119933
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) are widely applied in educational practices, such as for generating children's stories. However, the generated stories are often too difficult for children to read, and the operational cost of LLMs hinders their widespread adoption in educational settings. We used an existing expert-designed children's reading curriculum and its corresponding generated stories from GPT-4o and Llama 3.3 70B to design different experiments for fine-tuning three 8B-parameter LLMs, which then generated new English reading stories that were subjected to quantitative and qualitative evaluation. Our method prioritizes controllability over scale, enabling educators to target reading levels and error patterns with a compact, affordable model. Our evaluation results show that with appropriate fine-tuning designs, children's English reading stories generated by 8B LLMs perform better on difficulty-related metrics than those from zero-shot GPT-4o and Llama 3.3 70B, with almost no discernible safety issues. Such fine-tuned LLMs could be more broadly used by teachers, parents, and children in classrooms and at home to generate engaging English reading stories with children's interests, controllable difficulty and safety.
• Abstract（参考訳）: 大型言語モデル(LLM)は、子どもの物語の生成など教育実践に広く応用されている。 しかし、生成された物語は、子どもが読むのが難しいことが多く、LLMの運用コストは、教育環境において広く採用されるのを妨げている。 GPT-4o と Llama 3.3 70B から得られた読み書きカリキュラムを用いて,3つの 8B パラメータ LLM の微調整実験を行った。 提案手法はスケールよりも制御性を優先し,コンパクトで手頃なモデルで読み出しレベルとエラーパターンを目標とすることができる。 評価の結果,8B LLMが作成した子どもの英語読み書きは,ゼロショット GPT-4o や Llama 3.3 70B よりも難易度に優れており,安全性にはほとんど問題がないことがわかった。 このような微調整されたLLMは、教室や家庭の教師、両親、子供たちによって、子供たちの興味やコントロール可能な難易度、安全性を持った英語の読書物語を制作するために、より広範囲に利用することができる。

関連論文リスト

• FEANEL: A Benchmark for Fine-Grained Error Analysis in K-12 English Writing [68.23874413455594]
  本稿では,英語学習者のための細粒度誤り解析(FEANEL)ベンチマークを提案する。 ベンチマークは、小学生と中学生が書いた1000のエッセイから成っている。 各エラーは言語教育の専門家によって注釈付けされ、彼らが共同開発した音声に基づく分類法を用いて、タイプ、重大度、説明的フィードバックによって分類される。
  論文  参考訳（メタデータ） (2025-11-28T05:17:45Z)
• Evaluating LLMs on Generating Age-Appropriate Child-Like Conversations [3.660458463669403]
  大規模言語モデル(LLM)は、主に成人の会話データに基づいて訓練され、特定のアプリケーションのための真正な子供のような対話を生成する際の課題に直面している。 5歳,9歳児を対象に,5種類のLDMを比較検討し,年齢に合ったノルウェー語会話を生成させた。
  論文  参考訳（メタデータ） (2025-10-28T10:00:52Z)
• Our Coding Adventure: Using LLMs to Personalise the Narrative of a Tangible Programming Robot for Preschoolers [0.5099081649205313]
  そこで我々は,Cubettoのゲームストーリーを迅速にプロトタイプする形式化されたプロセスの初期バージョンを開発した。 プロセス、使用済みの材料とプロンプト、学習経験と成果を文書化する。 我々は,本手法が幼稚園の授業に適していると考え,現実世界の教育環境においてさらなる実験を行う計画を立てている。
  論文  参考訳（メタデータ） (2025-06-26T03:54:25Z)
• LLM Safety for Children [9.935219917903858]
  この研究は、標準的な安全評価によって見落とされがちな子供の多様性を認めている。 本研究は,児童医療・心理学における文献による児童の個人性や興味の多様性を反映した児童ユーザモデルを開発する。
  論文  参考訳（メタデータ） (2025-02-18T05:26:27Z)
• Position: LLMs Can be Good Tutors in English Education [120.25980336297444]
  大規模言語モデル(LLM)は、英語教育において効果的な家庭教師として機能する可能性がある。 LLMは、データエンハンサー、学習材料の作成の改善、学生シミュレーションの3つの重要な役割を果たすことができる。
  論文  参考訳（メタデータ） (2025-02-08T06:48:49Z)
• Benchmarking LLMs for Mimicking Child-Caregiver Language in Interaction [6.152274140650429]
  LLMは人間のような対話を生成できるが、初期の子どもと大人の交流をシミュレートする能力はほとんど解明されていない。 現状のLSMは、単語と発話レベルにおいて、子どもと介護者の対話を近似することができるが、子どもと介護者の分散パターンの再現に苦慮し、アライメントを誇張し、人間によって示される多様性のレベルに到達できなかった。
  論文  参考訳（メタデータ） (2024-12-12T14:43:03Z)
• Embracing AI in Education: Understanding the Surge in Large Language Model Use by Secondary Students [53.20318273452059]
  OpenAIのChatGPTのような大規模言語モデル(LLM)は、新しい教育の道を開いた。 学校制限にもかかわらず,中高生300人以上を対象に調査を行ったところ,学生の70%がLDMを利用していることがわかった。 我々は、対象特化モデル、パーソナライズドラーニング、AI教室など、このような問題に対処するいくつかのアイデアを提案する。
  論文  参考訳（メタデータ） (2024-11-27T19:19:34Z)
• Trustworthiness of Children Stories Generated by Large Language Models [0.0]
  本研究では,大規模言語モデルによる子どもの物語の信頼性を評価する。 以上の結果から, LLMは, 実際の物語に見られる品質やニュアンスレベルにおいて, 子どもの物語を生み出すのに苦慮していることが示唆された。
  論文  参考訳（メタデータ） (2023-07-25T22:55:51Z)
• TIM: Teaching Large Language Models to Translate with Comparison [78.66926087162672]
  本稿では,LLMに翻訳学習を教えるために,サンプルを用いた新しいフレームワークを提案する。 我々のアプローチは、正しい翻訳例と間違った翻訳例をモデルに提示し、好みの損失を使ってモデルの学習をガイドすることである。 本研究は,翻訳タスクのための微調整LDMの新しい視点を提供し,高品質な翻訳を実現するための有望なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-07-10T08:15:40Z)
• Democratizing LLMs for Low-Resource Languages by Leveraging their English Dominant Abilities with Linguistically-Diverse Prompts [75.33019401706188]
  大規模言語モデル(LLM)は、少数の例を単純に観察することで、効果的にタスクを実行することが知られている。 我々は,LLMが任意の言語から英語に翻訳するよう促すために,多種多様な高ソース言語から合成例を組み立てることを提案する。 我々の教師なしプロンプト法は、英語と13のIndic言語と21のアフリカ低リソース言語間の翻訳において、異なる大きさのLLMにおける教師付き少ショット学習と同等に機能する。
  論文  参考訳（メタデータ） (2023-06-20T08:27:47Z)

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。