論文の概要: Who Am I? History-Aware Profiles for Student Simulation in Tutoring Dialogues

• arxiv url: http://arxiv.org/abs/2605.30051v1
• Date: Thu, 28 May 2026 15:02:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.413397
• Title: Who Am I? History-Aware Profiles for Student Simulation in Tutoring Dialogues
• Title（参考訳）: 私が誰なのか : 教師対話における学生シミュレーションの履歴認識プロファイル
• Authors: Zhangqi Duan, Shuyan Huang, Alexander Scarlatos, Jaewook Lee, Simon Woodhead, Andrew Lan,
• Abstract要約: 歴史条件付き学生シミュレーションの課題を紹介する。 本研究の目的は,学生の学習履歴の情報を活用することで,生徒の対話を正確に予測することである。 両コンポーネントを強化学習(RL)で訓練し、忠実な学生シミュレーションに最適化されたプロファイルを得る。
• 参考スコア（独自算出の注目度）: 42.74448763964845
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A key part of developing large language model (LLM)-powered, automated tutoring tools is student simulation, i.e., using LLMs to role-play as students, which can facilitate tutor model evaluation and training. Existing work mostly focuses on within-dialogue simulation, which lacks context on student knowledge and behavior, partly due to not grounding in past student question-answering or dialogue interactions. In this work, we introduce the task of history-conditioned student simulation, where the goal is to accurately predict student dialogue turns by leveraging information in the student's learning history. We propose a two-component framework in which a profile generator summarizes a student's history and a simulator predicts student turns conditioned on the resulting profile. We train both components with reinforcement learning (RL), yielding profiles optimized for faithful student simulation. We evaluate our method and baselines on the first-of-its-kind real-world dataset of student dialogues and question responses that we collect from a math learning platform. Extensive experiments show that our method significantly outperforms baselines, and demonstrate the importance of history, profiles, and RL training.
• Abstract（参考訳）: 大規模言語モデル(LLM)を利用した自動学習ツールの開発において重要な要素は学生シミュレーションである。 既存の研究は主に、学生の知識と行動に関する文脈が欠如している対話内シミュレーションに焦点を当てている。 本研究は,学生の学習履歴の情報を活用することで,学生の対話を正確に予測することを目的とする,歴史条件付き学生シミュレーションの課題を紹介する。 本稿では,学生の歴史を要約した2成分フレームワークを提案する。 両コンポーネントを強化学習(RL)で訓練し、忠実な学生シミュレーションに最適化されたプロファイルを得る。 我々は,数学学習プラットフォームから収集した学生対話と質問応答の第一級実世界のデータセットに基づいて,本手法とベースラインを評価した。 大規模な実験により,本手法はベースラインを著しく上回り,歴史,プロファイル,RLトレーニングの重要性が示された。

関連論文リスト

• PATS: Personality-Aware Teaching Strategies with Large Language Model Tutors [66.56586559631516]
  大型言語モデル (LLM) は教育教師としての可能性を秘めている。 しかし、異なる学習戦略は、異なる学生の個性に利益をもたらす。 それにもかかわらず、現在のLLM教育システムは生徒の性格特性を考慮に入れていない。
  論文  参考訳（メタデータ） (2026-01-13T10:17:26Z)
• Simulated Students in Tutoring Dialogues: Substance or Illusion? [45.40380629269521]
  本研究は,学生シミュレーションの課題を定義し,言語的,行動的,認知的な側面にまたがる評価指標のセットを提案し,これらの指標について幅広い学生シミュレーション手法をベンチマークする。 実世界の数学学習対話データセットを実験し、自動評価結果と人的評価結果の両方で、学生シミュレーションの促進戦略が不十分であることを示す。
  論文  参考訳（メタデータ） (2026-01-07T15:44:11Z)
• Embracing Imperfection: Simulating Students with Diverse Cognitive Levels Using LLM-based Agents [36.704574105201864]
  大規模言語モデル(LLM)は教育に革命をもたらしており、LLMベースのエージェントは学生の振る舞いをシミュレートする上で重要な役割を果たしている。 学生シミュレーションにおける大きな課題は、様々な認知レベルにおける学生の多様な学習パターンをモデル化することである。
  論文  参考訳（メタデータ） (2025-05-26T13:48:49Z)
• Classroom Simulacra: Building Contextual Student Generative Agents in Online Education for Learning Behavioral Simulation [10.209326669619273]
  N = 60の学生から6週間の教育ワークショップを開催し、カスタマイズされたオンライン教育システムを用いて詳細なデータを収集する。 本稿では,転送可能な反復リフレクション(TIR)モジュールを提案する。
  論文  参考訳（メタデータ） (2025-02-04T23:42:52Z)
• DataEnvGym: Data Generation Agents in Teacher Environments with Student Feedback [62.235925602004535]
  DataEnvGymは、データ生成エージェントのための教師環境のテストベッドである。 エージェントとデータ生成エンジンを含むシーケンシャルな意思決定タスクとして、データ生成をフレーム化する。 学生は、生成されたデータに基づいて反復的に訓練され、評価され、各イテレーション後にエージェントにフィードバックが報告される。
  論文  参考訳（メタデータ） (2024-10-08T17:20:37Z)
• EduAgent: Generative Student Agents in Learning [15.215078619481732]
  オンライン教育における学生シミュレーションは,様々な背景を持つ学生の動的学習行動に対処するために重要である。 ディープラーニングに基づく既存のシミュレーションモデルでは、教育的文脈における事前知識が欠如しているため、大規模なトレーニングデータが必要である。 本研究は,認知的事前知識を取り入れた新しい生成エージェントフレームワークであるEduAgentを提案する。
  論文  参考訳（メタデータ） (2024-03-23T18:19:17Z)
• 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)

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。