論文の概要: Modeling AI-TPACK in Practice Insights from Teachers Multi-Agent Workflow Design
- arxiv url: http://arxiv.org/abs/2605.13906v1
- Date: Wed, 13 May 2026 02:55:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 21:45:34.409018
- Title: Modeling AI-TPACK in Practice Insights from Teachers Multi-Agent Workflow Design
- Title（参考訳）: 教師のマルチエージェントワークフロー設計によるAI-TPACKの実践的考察
- Authors: Yimeng Sun, Haiyang Xin, Shuang Li, Qiannan Niu, Ching Sing Chai, Lingyun Huang, Gaowei Chen,
- Abstract要約: 本研究では,マルチエージェント教育システムの設計における教師の行動と認知基盤について検討する。
この結果から,教師の認知行動多様性に反応する足場の違いが示唆された。
- 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: This study investigates teachers design behaviors and cognitive underpinnings when designing multi-agent instructional workflows. Analyzing behavioral logs (N=61), cluster and Markov analyses identified three archetypes: Systematic Optimizers iteratively refining complex architectures; Prolific Creators rapidly prototyping pragmatic tools via scaffolding; and Passive Observers exhibiting polarized expert-novice profiles. Subsequent artifact (n=15) and interview (n=12) analyses reveal AI-TPACK integration emerges from a dynamic interplay of systems thinking, pedagogical beliefs, and self-efficacy, not merely from the possession of discrete knowledge. These findings call for differentiated scaffolding responsive to teachers cognitive-behavioral diversity.
- Abstract（参考訳）: 本研究では,教師が複数エージェントの指導ワークフローを設計する際の行動と認知基盤について検討する。
行動ログの分析(N=61)、クラスタ、マルコフ分析では、複雑なアーキテクチャを反復的に洗練するシステム最適化、スキャフォールディングを通じて実用ツールを迅速にプロトタイピングするプロプライエタリなクリエータ、偏極化した専門家・初心者プロファイルを示すパッシブオブザーバの3つのアーティタイプを特定した。
その後のアーティファクト (n=15) とインタビュー (n=12) 分析により、AI-TPACK統合は、システム思考、教育的信念、自己効力感の動的相互作用から現れ、単なる個別の知識の所有からではないことが明らかになった。
これらの知見は,教師の認知行動の多様性に応答する相違点を求めるものである。
関連論文リスト
- Intentmaking and Sensemaking: Human Interaction with AI-Guided Mathematical Discovery [72.49593499512092]
インテントメイキングという別のワークフローを特定し、特徴付けします。
私たちはこれをセンスメイキングの自然な拡張と捉えています。
これらのテーマのドキュメンテーションは、科学的発見のためのAIツール設計へのアプローチを示唆している。
論文 参考訳（メタデータ） (2026-05-07T09:30:25Z) - Decoding AI Tutor Effects for Educational Measurement: Temporal, Multi-Outcome, and Behavior-Cognitive Analysis [0.3342165620612816]
本稿では、時間的相互作用パターン、複数結果分析、行動認知学習者プロファイルを用いたAI支援学習のためのAIエージェントプロトタイプフレームワークを提案する。
ヒント、説明、例、コードなど、さまざまなフィードバックフォームを学習者に提供すべく、AIチューターエージェントが開発された。
ニューラルネットワークモデルとシミュレーションフレームワークを使用して、応答時間、試行、ヒント要求、正確性、クイズ結果、改善、満足度、信頼を含む、人工的な学生とAI教師のインタラクションレコードを生成する。
その結果、初期のインタラクションパターンは、後のパフォーマンスと信頼の予測であり、学生の行動はAIベースの授業で時間とともに変化し、学生の行動は変化していることがわかった。
論文 参考訳（メタデータ） (2026-03-22T00:43:17Z) - Synergizing Understanding and Generation with Interleaved Analyzing-Drafting Thinking [154.2388970262703]
Unified Vision-Language Models (UVLM) は、単一のフレームワーク内での理解と生成の両方をサポートすることで、マルチモーダル学習を促進することを目的としている。
本稿では,解析処理と起案処理を交互に行う新たな思考パラダイムである,インターリーブド・アナライジング・ドレイティング問題解決ループ(AD-Loop)を紹介する。
テキスト思考を視覚的思考とインターリーブすることで、AD-Loopはモデルが理解と出力の両方を反復的に洗練し、真のシナジーを育むことができる。
論文 参考訳（メタデータ） (2026-02-24T23:26:09Z) - Artificial Intelligence Agents in Music Analysis: An Integrative Perspective Based on Two Use Cases [0.0]
本稿では,音楽分析と教育に応用されたAIエージェントの総合的レビューと実験的検証について述べる。
ルールベースモデルから、ディープラーニング、マルチエージェントアーキテクチャ、検索拡張生成フレームワークを含む現代的アプローチへの歴史的進化を合成する。
実験の結果,AIエージェントは音楽パターン認識,構成パラメータ化,教育的フィードバックを効果的に強化することがわかった。
論文 参考訳（メタデータ） (2025-11-17T23:46:47Z) - Beyond Benchmarks: Understanding Mixture-of-Experts Models through Internal Mechanisms [55.1784306456972]
Mixture-of-Experts (MoE)アーキテクチャは、推論中にパラメータのサブセットだけをアクティベートすることで、効率とスケーラビリティを提供する、有望な方向性として登場した。
内部メトリックを用いて、ルーティング機構を明示的に取り入れ、専門家レベルの振る舞いを分析することで、MoEアーキテクチャのメカニズムを解明する。
その結果,(1)モデルの発展に伴ってニューロンの利用が減少し,より高度な一般化が期待できる,(2)ベンチマークのパフォーマンスが限られた信号のみを提供するダイナミックな軌道を示す,(3)複数の専門家の協力的貢献からタスク完了が生じる,(4)ニューロンレベルでの活性化パターンがデータ多様性のきめ細かいプロキシを提供する,といった結果が得られた。
論文 参考訳（メタデータ） (2025-09-28T15:13:38Z) - Agentic Workflow for Education: Concepts and Applications [7.875055566698523]
本研究では,自己回帰,ツールの実行,タスク計画,マルチエージェント協調からなる4成分モデルであるエージェント・フォー・教育(AWE)を紹介した。
AWEは、教師の作業量を削減し、教育の質を高め、より広範な教育革新を可能にする、有望な道を提供する。
論文 参考訳（メタデータ） (2025-09-01T14:39:48Z) - Understanding Software Engineering Agents: A Study of Thought-Action-Result Trajectories [17.975121612118752]
大規模言語モデル(LLM)ベースのエージェントは、複雑なソフトウェアエンジニアリングタスクを自動化するためにますます採用されている。
本研究は,3種類のLLM系エージェントの思考-反感-反感の軌跡について,大規模な実証的研究を行った。
我々は,数量やトークン消費,反復的な行動系列,思考,行動,結果のセマンティックコヒーレンスといった重要な軌道特性を同定する。
論文 参考訳（メタデータ） (2025-06-23T16:34:52Z) - Understanding Software Engineering Agents Through the Lens of Traceability: An Empirical Study [15.97770416681533]
ソフトウェアエンジニアリングエージェント(SWEエージェント)は、ユーザの入力を解釈し、環境フィードバックに応答することで、自律的に動作する。
本稿では,SWEエージェントの動作を,実行トレースのレンズを通してシステマティックに解析する。
論文 参考訳（メタデータ） (2025-06-10T00:41:54Z) - Large Language Model Agent: A Survey on Methodology, Applications and Challenges [88.3032929492409]
大きな言語モデル(LLM)エージェントは、目標駆動の振る舞いと動的適応能力を持ち、人工知能への重要な経路を示す可能性がある。
本調査は, LLMエージェントシステムを方法論中心の分類法により体系的に分解する。
私たちの作業は、エージェントの構築方法、コラボレーション方法、時間の経過とともにどのように進化するか、という、統一されたアーキテクチャの視点を提供します。
論文 参考訳（メタデータ） (2025-03-27T12:50:17Z) - Multi-Agent Imitation Learning with Copulas [102.27052968901894]
マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。
本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。
提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
論文 参考訳（メタデータ） (2021-07-10T03:49:41Z) - A Dependency Syntactic Knowledge Augmented Interactive Architecture for
End-to-End Aspect-based Sentiment Analysis [73.74885246830611]
エンドツーエンドABSAのためのマルチタスク学習を用いた対話型アーキテクチャを新たに提案する。
このモデルは、よく設計された依存性関係埋め込みグラフ畳み込みネットワーク(DreGcn)を活用することで、構文知識(依存性関係と型)を完全に活用することができる。
3つのベンチマークデータセットの大規模な実験結果から,本手法の有効性が示された。
論文 参考訳（メタデータ） (2020-04-04T14:59:32Z)
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。