論文の概要: AgentSchool: An LLM-Powered Multi-Agent Simulation for Education

• arxiv url: http://arxiv.org/abs/2605.30144v1
• Date: Thu, 28 May 2026 16:05:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.46738
• Title: AgentSchool: An LLM-Powered Multi-Agent Simulation for Education
• Title（参考訳）: AgentSchool:LLMを利用した教育用マルチエージェントシミュレーション
• Authors: Yulei Ye, Wenhao Li, Zhong Wen, Yunshu Huang, Yichen Hu, Zifan Wei, Yige Wang, Xinyu Xie, Haoxuan Yang, Yanjun Huang, Ruijia Li, Hong Qian, Yu Song, Bo Jiang, Bingdong Li, Lijun Li, Bo Zhang, Pinlong Cai, Xingcheng Xu, Shuangye Chen, Xia Hu, Liang He, Aimin Zhou, Jingjing Qu, Jing Shao, Xiangfeng Wang,
• Abstract要約: AgentSchoolはマルチエージェントシミュレータで、振舞いではなく状態遷移として学習をモデル化する。 周囲の関与、傾きの形成、アグレッショナリによる結束、意見リーダーの出現のもっともらしい痕跡を生成する。 AgentSchoolは、長期記憶、マルチエージェント調整、将来の制度的推論のための社会的に意味のあるテストベッドとして教育の枠組みを定めている。
• 参考スコア（独自算出の注目度）: 64.62476927093753
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the rapid deployment of LLMs into classrooms, validating educational AI remains uniquely intractable: interventions act on developing learners whose cognitive and social trajectories are irreversibly shaped, while real-world trials are slow, ethically constrained, and institutionally locked. LLM-based educational simulators have emerged as a potential remedy, but many still collapse learning into persona-conditioned role-play and, when optimized only to reproduce existing classrooms, can structurally penalize the institutional novelty that pedagogical reform requires. In this work, we introduce AgentSchool, an LLM-driven multi-agent simulator that models learning as state transition rather than prompted behavior. AgentSchool couples cognitively growable student agents -- equipped with weighted subject knowledge graphs, thinking-workflow pools, and explicit misconceptions -- with adaptive teacher agents that plan, scaffold, and reflect along the Zone of Proximal Development, embedded in a configurable scenery generator that situates instruction within both formal and informal learning fields, and a multi-scale simulator that decouples interaction scale, temporal granularity, and simulation duration. Experiments show that structured student agents produce more differentiated mastery and misconception traces than a baseline simulator, while teacher-agent comparisons show backbone-dependent patterns consistent with ZPD-informed adaptation. Further, AgentSchool generates plausible traces of peripheral participation, clique formation, aggressor-induced cohesion, and opinion-leader emergence consistent with classroom social theories. Beyond its role as an educational research instrument, AgentSchool frames education as a socially meaningful testbed for long-horizon memory, multi-agent coordination, and future institutional reasoning under organizational pressure.
• Abstract（参考訳）: LLMの教室への迅速な展開にもかかわらず、教育AIの検証は独特で、認知的および社会的軌跡が不可逆的に形作られ、現実世界の試験は遅く、倫理的に制約され、制度的にロックされている学習者に対する介入である。 LLMベースの教育シミュレーターは、潜在的な治療法として現れてきたが、その多くはまだ学習をペルソナ条件のロールプレイに分解し、既存の教室を再現するだけに最適化すれば、教育改革に必要な制度的ノベルティを構造的に罰することができる。 本稿では,LLM駆動型マルチエージェントシミュレータであるAgentSchoolを紹介する。 AgentSchoolは、認知的に成長可能な学生エージェントを -- 重み付けされた主題知識グラフ、思考-ワークフロープール、明示的な誤解を備えた -- と、近接開発ゾーンに沿って計画、足場、反射する適応的な教師エージェントと、正式な学習領域と非公式の学習領域の両方に命令を配置する構成可能なシーンジェネレータと、インタラクションスケール、時間的粒度、シミュレーション期間を分離するマルチスケールシミュレータを結合している。 実験により、構造化された学生エージェントは、ベースラインシミュレータよりも、より区別された熟達と誤認識の痕跡を生成する一方、教師とエージェントの比較では、ZPDインフォームド適応に整合したバックボーンに依存したパターンが示される。 さらに、AgentSchoolは、周囲の関与、傾きの形成、攻撃者による結束、および教室の社会理論と整合した意見指導の出現のもっともらしい痕跡を生成する。 教育研究機器としての役割の他に、エージェントスコールは、長期記憶、マルチエージェント調整、将来の組織的推論のための社会的意味のあるテストベッドとして教育を定めている。

関連論文リスト

• Harnessing LLM Agents with Skill Programs [58.356514745548026]
  HASPは、実行可能なプログラム関数(PF)にスキルをアップグレードする新しいフレームワークです。 PFは障害が発生しやすい状態を起動し、次のアクションを変更したり、修正コンテキストを注入する実行可能なガードレールとして機能する。 HASPは、Web検索、数学推論、コーディングタスクにおいて、トレーニング不要とトレーニングベースの両方の手法と比較して、大幅に向上している。
  論文  参考訳（メタデータ） (2026-05-18T01:35:11Z)
• Enhancing LLM Problem Solving via Tutor-Student Multi-Agent Interaction [0.0]
  同一のLarge Language Model (LLM) からインスタンス化された2つのエージェントが非対称な役割を割り当てる自律的符号化問題領域を提案する。 提案するフレームワーク(PETITE)では,相補的な役割を通じて相互作用を構造化することにより,一つのモデルからより良い問題解決性能を抽出することを目的としている。 その結果,比較的少ないトークンを消費しながら,類似あるいは高い精度が得られることがわかった。
  論文  参考訳（メタデータ） (2026-04-10T03:56:49Z)
• Position: AI Agents Are Not (Yet) a Panacea for Social Simulation [62.891898598784415]
  大規模言語モデル(LLM)の最近の進歩は、社会シミュレーションにLLM統合エージェントを使うことへの関心が高まっている。 このポジションペーパーは、LSMをベースとしたエージェントは社会シミュレーションのパナセアではないと主張している。
  論文  参考訳（メタデータ） (2026-02-19T06:35:07Z)
• TACLA: An LLM-Based Multi-Agent Tool for Transactional Analysis Training in Education [0.0]
  本稿では,制約を克服する新しいマルチエージェントアーキテクチャであるTACLA(Transactional Analysis Contextual LLM-based Agents)を紹介する。 オーケストレーションエージェントは、コンテキストトリガとエージェントのライフスクリプトに基づいてエゴ状態のアクティベーションを優先順位付けし、心理的に認証された応答を保証する。 評価は会話の信頼性が高く、TACLAが動的で心理的な社会的シミュレーションを作成する能力を確認している。
  論文  参考訳（メタデータ） (2025-10-19T21:39:12Z)
• Evolution in Simulation: AI-Agent School with Dual Memory for High-Fidelity Educational Dynamics [10.185612854120627]
  大規模言語モデル(LLM)ベースのエージェントは、複雑な人間のシステムや相互作用をシミュレートし理解するためにますます重要になっている。 エージェントを利用して複雑な教育力学をシミュレーションする自己進化機構を中心に構築されたAI-Agent School(AAS)システムを提案する。
  論文  参考訳（メタデータ） (2025-10-13T11:27:53Z)
• The Landscape of Agentic Reinforcement Learning for LLMs: A Survey [103.32591749156416]
  エージェント強化学習(Agentic RL)の出現は、大規模言語モデル(LLM RL)に適用された従来の強化学習からパラダイムシフトを示している。 本研究では, LLM-RLの縮退した単段階マルコフ決定過程(MDPs)と, エージェントRLを定義する部分可観測マルコフ決定過程(POMDPs)とを対比することにより, この概念シフトを定式化する。
  論文  参考訳（メタデータ） (2025-09-02T17:46:26Z)
• Investigating Pedagogical Teacher and Student LLM Agents: Genetic Adaptation Meets Retrieval Augmented Generation Across Learning Style [16.985943868964394]
  効果的な教育には、学生の多様な認知的・行動的プロファイルに対応するために教育戦略を適用する必要がある。 本稿では,異種学生エージェントを自己最適化型教師エージェントと統合する新しいシミュレーションフレームワークを提案する。 本研究は,データ駆動環境下での人間教育者を訓練するためのテストベッドの提供を目的として,LLMによるシミュレーションの可能性を強調した。
  論文  参考訳（メタデータ） (2025-05-25T14:45:35Z)
• Simulating Classroom Education with LLM-Empowered Agents [48.26286735827104]
  大型言語モデル (LLM) は、様々な知的教育タスクに応用され、教育支援を行っている。 マルチエージェント型教室シミュレーション教育フレームワークSimClassを提案する。 代表的クラスの役割を認識し、自動授業のための新しいクラス制御機構を導入する。
  論文  参考訳（メタデータ） (2024-06-27T14:51:07Z)

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。