論文の概要: Can Vision Language Models Be Adaptive in Mathematics Education? A Learner Model-based Rubric Study
- arxiv url: http://arxiv.org/abs/2605.16011v1
- Date: Fri, 15 May 2026 14:42:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-18 21:22:26.322775
- Title: Can Vision Language Models Be Adaptive in Mathematics Education? A Learner Model-based Rubric Study
- Title（参考訳）: 視覚言語モデルは数学教育に適応可能か? : 学習者モデルに基づくルーブリックスタディ
- Authors: Jie Gao, Yongan Yu, Junzhu Su, Yiran Lin, Adam K. Dube, Jackie Chi Kit Cheung,
- Abstract要約: 視覚言語モデル(VLM)は数学教育に採用され、学生はそれをパーソナライズされた指導のための学習支援として利用してきた。
現在のVLMは、数学のチュータータスクにおける異なる学習者プロファイルへの適応性に対する体系的な評価の枠組みを欠いている。
- 参考スコア（独自算出の注目度）: 12.884184999755325
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Adaptive learning refers to educational technologies that track learners' learning progress and adapt the instructional process based on individual learners' learning performance. It is increasingly recognized as critical for developing an effective learning support tool. Vision language models (VLMs) have seen adoption in mathematics education, and students have been using them as learning aids for personalized instruction. However, it is unknown whether VLMs have the ability to adapt to different learner profiles when providing mathematical instructions. Current VLMs lack a systematic evaluation framework for this adaptivity to different learner profiles in mathematics tutoring tasks. To address this gap, we draw on the learner model from the adaptive learning framework (Shute and Towle, 2018) and propose a learner model-based rubric. Our rubric formalizes adaptivity assessment into three aspects: cognitive aspects, motivational aspects, and complexity. We also evaluate two additional dimensions of VLM responses: correctness (of answers and solutions) and quality (of the response itself). Our experimental results show measurable differences in adaptivity across models and also reveal that current VLMs struggle to consistently produce learner model-based instructional responses, especially when receiving limited learner information.
- Abstract（参考訳）: アダプティブ・ラーニング(Adaptive Learning)とは、学習者の学習の進捗を追跡し、個々の学習者の学習実績に基づいて指導プロセスに適応する教育技術である。
効果的な学習支援ツールを開発する上では、ますます重要視されている。
視覚言語モデル(VLM)は数学教育に採用され、学生はそれをパーソナライズされた指導のための学習支援として利用してきた。
しかし、VLMが数学的指示を与える際に異なる学習者プロファイルに適応できるかどうかは不明である。
現在のVLMは、数学のチュータータスクにおける異なる学習者プロファイルへの適応性に対する体系的な評価の枠組みを欠いている。
このギャップに対処するために、適応学習フレームワーク(Shute and Towle, 2018)から学習者モデルを作成し、学習者モデルに基づくルーリックを提案する。
我々のルーリックは適応性評価を認知的側面、モチベーション的側面、複雑さの3つの側面に形式化します。
また、VLM応答の2つの追加次元として、(回答と解の)正しさと(応答そのものの)品質を評価した。
実験の結果、モデル間の適応性の違いを計測し、特に限られた学習者情報を受け取る場合、現在のVLMは学習者モデルに基づく命令応答を一貫して生成するのに苦労していることが明らかとなった。
関連論文リスト
- Teaching According to Students' Aptitude: Personalized Mathematics Tutoring via Persona-, Memory-, and Forgetting-Aware LLMs [28.594039597149266]
我々は,ペルソナ,記憶,ダイナミクスを取り入れた学習支援フレームワークであるTAS(Teaching Based by Students' Aptitude)を提案する。
具体的には、TASAは、熟練度プロファイルをキャプチャする構造化された学生ペルソナと、事前学習インタラクションを記録するイベントメモリを維持している。
TASAは、学習者の熟達状態を動的に更新し、文脈的に適切で難解な質問や説明を生成する。
論文 参考訳（メタデータ） (2025-11-19T06:28:16Z) - Adaptive Learning Systems: Personalized Curriculum Design Using LLM-Powered Analytics [14.157213827899342]
大規模言語モデル(LLM)は、個々の学生のニーズに合わせてパーソナライズされた学習体験を可能にすることによって、教育分野に革命をもたらしている。
本稿では LLM を利用した分析を応用した適応学習システムのためのフレームワークについて紹介する。
論文 参考訳（メタデータ） (2025-07-25T04:36:17Z) - Unveiling the Learning Mind of Language Models: A Cognitive Framework and Empirical Study [45.82081693725339]
大規模言語モデル(LLM)は、数学、コーディング、推論といったタスクにまたがる印象的な機能を示している。
しかし、彼らの学習能力は、動的環境に適応し、新しい知識を得るのに不可欠であり、まだ過小評価されていない。
論文 参考訳（メタデータ） (2025-06-16T13:24:50Z) - Learning Beyond Pattern Matching? Assaying Mathematical Understanding in LLMs [58.09253149867228]
本稿では,LLMのドメイン知識を,問題解決に必要な数学的スキルの理解を通じて評価する。
汎用科学アシスタントとしてLLMを用いることで, LLMの確率分布の変化を評価するためにtextitNTKEvalを提案する。
系統的な分析では、文脈内学習中にドメイン理解の証拠が見つかる。
ある命令チューニングは、異なるデータでのトレーニングに関係なく、同様のパフォーマンス変化をもたらし、異なるスキルに対するドメイン理解の欠如を示唆している。
論文 参考訳（メタデータ） (2024-05-24T12:04:54Z) - Toward In-Context Teaching: Adapting Examples to Students' Misconceptions [54.82965010592045]
本稿ではAdapTと呼ばれる一連のモデルと評価手法を紹介する。
AToMは、学生の過去の信念を共同で推論し、将来の信念の正しさを最適化する適応教育の新しい確率論的モデルである。
本研究は,適応型学習課題の難しさと,それを解決するための学習適応モデルの可能性を両立させるものである。
論文 参考訳（メタデータ） (2024-05-07T17:05:27Z) - 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) - YODA: Teacher-Student Progressive Learning for Language Models [82.0172215948963]
本稿では,教師が指導するプログレッシブ・ラーニング・フレームワークであるYodaを紹介する。
モデルファインチューニングの有効性を向上させるために,教師の教育過程をエミュレートする。
実験の結果, YODAのデータによるLLaMA2のトレーニングにより, SFTは大幅に向上した。
論文 参考訳（メタデータ） (2024-01-28T14:32:15Z) - Adaptive and Personalized Exercise Generation for Online Language
Learning [39.28263461783446]
オンライン言語学習のための適応的でパーソナライズされたエクササイズ生成の新しい課題について研究する。
学習履歴から各生徒の進化した知識状態を推定する知識追跡モデルを組み合わせる。
我々はDuolingoの実際の学習者インタラクションデータに基づいてモデルをトレーニングし、評価する。
論文 参考訳（メタデータ） (2023-06-04T20:18:40Z) - Towards Scalable Adaptive Learning with Graph Neural Networks and
Reinforcement Learning [0.0]
学習経路のパーソナライズに関する問題に対して,フレキシブルでスケーラブルなアプローチを導入する。
我々のモデルはグラフニューラルネットワークに基づく逐次レコメンデーションシステムである。
以上の結果から,小規模データ体制における適切なレコメンデーションを学習できることが示唆された。
論文 参考訳（メタデータ） (2023-05-10T18:16:04Z)
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。