論文の概要: Capture-Calibrate-Coach: A Graph-Based Framework for Knowledge Monitoring Estimation and Adaptive Feedback
- arxiv url: http://arxiv.org/abs/2605.25419v1
- Date: Mon, 25 May 2026 04:40:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:19.288525
- Title: Capture-Calibrate-Coach: A Graph-Based Framework for Knowledge Monitoring Estimation and Adaptive Feedback
- Title（参考訳）: Capture-Calibrate-Coach: 予測と適応フィードバックを計測する知識ベースのフレームワーク
- Authors: Gen Li, Li Chen, Cheng Tang, Boxuan Ma, Yuncheng Jiang, Daisuke Deguchi, Takayoshi Yamashita, Atsushi Shimada,
- Abstract要約: 本稿では適応学習支援のためのCapture-Calibrate-Coachフレームワークを紹介する。
カリバート相は、明示的に言及されていない概念に対して潜在認識状態を予測するために異種グラフニューラルネットワークを適用している。
Coachフェーズは学習者を5つのメタ認知パターンに分類し、知識ギャップと校正エラーの両方に対処するパーソナライズされたフィードバックを提供する。
- 参考スコア（独自算出の注目度）: 22.930155858078763
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Effective learning support requires understanding not only what learners know but also how accurately they perceive their own understanding. This metacognitive dimension, known as knowledge monitoring, fundamentally influences self-regulated learning, yet this dimension remains underexplored in current systems. This paper introduces the Capture-Calibrate-Coach (3C) framework for adaptive learning support. The Capture phase extracts learners' perceived knowledge states from open-ended self-reports to construct a heterogeneous graph linking learners and knowledge concepts. The Calibrate phase applies a heterogeneous graph neural network to infer latent perceived states for concepts not explicitly mentioned, enabling systematic knowledge monitoring assessment. The Coach phase classifies learners into five metacognitive patterns and delivers personalized feedback addressing both knowledge gaps and calibration errors. Evaluation with 684 students demonstrates 85.21% AUC in predicting latent perceived states, significantly outperforming baseline methods. A user study with 47 participants shows positive reception of feedback quality, with participants particularly valuing concrete feedback on knowledge gaps and actionable study guidance. These findings advance AI-based learning support toward metacognitive teammates that foster accurate self-awareness while supporting knowledge growth.
- Abstract（参考訳）: 効果的な学習支援には、学習者が知っていることだけでなく、自分たちがいかに正確に理解しているかを理解することが必要である。
知識監視として知られるこのメタ認知次元は、基本的に自己統制学習に影響を与えるが、現在のシステムでは未解明のままである。
本稿では適応学習支援のためのCapture-Calibrate-Coach (3C)フレームワークを提案する。
Capture フェーズは学習者の認識した知識状態をオープンな自己レポートから抽出し、学習者と知識概念をリンクする異種グラフを構築する。
Calibrateフェーズは、明示的に言及されていない概念に対して潜在認識状態を予測するために異種グラフニューラルネットワークを適用し、体系的な知識監視評価を可能にする。
Coachフェーズは学習者を5つのメタ認知パターンに分類し、知識ギャップと校正エラーの両方に対処するパーソナライズされたフィードバックを提供する。
684人の学生による評価では、85.21%のAUCが潜在認知状態を予測することを示し、ベースライン法を著しく上回っている。
47名を対象にしたユーザスタディでは,特に知識ギャップに対する具体的なフィードバックと,行動可能な学習指導が評価され,フィードバック品質の肯定的な評価が得られた。
これらの知見は、知識成長をサポートしながら、正確な自己認識を促進するメタ認知的チームメイトに対するAIベースの学習支援を前進させる。
関連論文リスト
- Agentic Cognitive Profiling: Realigning Automated Alzheimer's Disease Detection with Clinical Construct Validity [66.94391219005291]
本稿では,臨床プロトコルロジックによる自動スクリーニングを実現するエージェント認知プロファイリング(ACP)を提案する。
我々の設計の中心は、すべての定量化を決定論的関数呼び出しに委譲することで、測定から意味的理解を分離することである。
ACPは、タスク試験で90.5%のスコアマッチ率、AD予測で85.3%の精度を達成し、一般的な基準を上回っている。
論文 参考訳（メタデータ） (2026-03-18T06:15:35Z) - Who Is Doing the Thinking? AI as a Dynamic Cognitive Partner: A Learner-Informed Framework [0.0]
本研究では,AIを動的認知パートナーとして位置づけるフレームワークを提案する。
学習者がAIを認識と協調するものとして記述した,9つの相互関連次元を同定した。
学生は、理解を拡大する生産的支援と、認知的努力に取って代わる非生産的依存とを区別し、AIがいつ使われるべきか、使用すべきでないかを状況的認識を示す。
論文 参考訳（メタデータ） (2026-02-17T15:07:06Z) - Safeguarding Privacy: Privacy-Preserving Detection of Mind Wandering and Disengagement Using Federated Learning in Online Education [53.25191965774678]
遠隔学習における行動・認知障害の相違に対処するために,デバイス間フェデレーション学習を利用したフレームワークを提案する。
顔の表情と視線特徴を用いた映像ベース認知解離検出モデルに適合する。
以上の結果から,学習者のエンゲージメントを促進するプライバシー保護教育技術への大きな期待が示された。
論文 参考訳（メタデータ） (2026-02-10T15:40:01Z) - MetaCLASS: Metacognitive Coaching for Learning with Adaptive Self-regulation Support [2.688207424884465]
メタ認知学習を,自己制御学習プロセスに沿った11の解釈可能な動作に対する移動選択として定式化するフレームワークであるMetaCLASSを紹介する。
我々は,問題と対話状況から,次のコーチの動きを予測するため,9つのLCMをベンチマークした。
最良のモデルは43.2%の精度しか達成せず、モデルは強制的介入バイアスを示す。
論文 参考訳（メタデータ） (2026-02-02T18:47:04Z) - GuideAI: A Real-time Personalized Learning Solution with Adaptive Interventions [0.5833117322405447]
大規模言語モデル(LLM)は強力な学習ツールとして登場したが、学習者の認知的・生理的状態に対する認識は欠如している。
リアルタイムバイオセンサーフィードバックを統合することでLLM駆動学習を強化するマルチモーダルフレームワークである GuideAI を紹介する。
論文 参考訳（メタデータ） (2026-01-28T09:06:45Z) - Cognitive Foundations for Reasoning and Their Manifestation in LLMs [63.12951576410617]
大規模言語モデル(LLM)は複雑な問題を解くが、単純な変種では失敗し、人間の推論と根本的に異なるメカニズムによって正しい出力を達成することを示唆している。
我々は認知科学研究を、推論不変量、メタ認知制御、推論と知識の組織化のための表現、変換操作にまたがる28の認知要素の分類学に合成する。
複雑な問題に対して66.7%の性能向上を図り、成功構造を自動的に把握するテストタイム推論ガイダンスを開発した。
論文 参考訳（メタデータ） (2025-11-20T18:59:00Z) - Knowledge Homophily in Large Language Models [75.12297135039776]
大規模言語モデル(LLM)における類似知識のホモフィリパターンについて検討する。
我々は LLM の知識を三重項レベルと実体レベルの両方の知識チェックを通じてグラフ表現にマッピングする。
このホモフィリ原理により、三重項の実体レベルの知識度スコアを推定するグラフニューラルネットワーク(GNN)回帰モデルを提案する。
論文 参考訳（メタデータ） (2025-09-28T09:40:27Z) - Personalized Forgetting Mechanism with Concept-Driven Knowledge Tracing [16.354428270912138]
概念駆動型パーソナライズドフォーッティング知識追跡モデル(CPF)を提案する。
CPFは知識概念間の階層的な関係を統合し、生徒のパーソナライズされた認知能力を統合する。
我々のCPFは、生徒のパフォーマンスを予測するために、現在の忘れ曲線理論に基づく手法よりも優れています。
論文 参考訳（メタデータ） (2024-04-18T12:28:50Z) - A Unified End-to-End Retriever-Reader Framework for Knowledge-based VQA [67.75989848202343]
本稿では,知識に基づくVQAに向けて,エンド・ツー・エンドのレトリバー・リーダー・フレームワークを提案する。
我々は、視覚言語による事前学習モデルからの多モーダルな暗黙の知識に光を当て、知識推論の可能性を掘り下げた。
提案手法では,知識検索のガイダンスを提供するだけでなく,質問応答に対してエラーが発生しやすいケースも排除できる。
論文 参考訳（メタデータ） (2022-06-30T02:35:04Z) - Counterfactual Attention Learning for Fine-Grained Visual Categorization
and Re-identification [101.49122450005869]
本稿では,因果推論に基づくより効果的な注意力学習法を提案する。
具体的には,学習した視覚的注意がネットワーク予測に与える影響を分析する。
本手法は,広範囲の粒度認識タスクにおいて評価する。
論文 参考訳（メタデータ） (2021-08-19T14:53:40Z)
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。