論文の概要: Modularizing Educational LLM-Agency for Fostering Responsible Learning Assistance

• arxiv url: http://arxiv.org/abs/2605.30187v1
• Date: Thu, 28 May 2026 16:31:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.535359
• Title: Modularizing Educational LLM-Agency for Fostering Responsible Learning Assistance
• Title（参考訳）: 責任学習支援のための教育的LLM-Agencyのモジュール化
• Authors: Julius Gabelmann, Felix Jahn, Kevin Baum, Sophie van Rossum, Emely Wuenscher, Timo P. Gros, Verena Wolf,
• Abstract要約: モノリシックでアウト・オブ・ザ・ボックスのソリューションに固有の構造的欠点について論じる。 本研究では,運動問題解決の異なる段階の特定のモジュールを提案し,対象の教育的アドバイスを組み込むことを可能にした。
• 参考スコア（独自算出の注目度）: 1.0554048699217669
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The widespread adoption of AI chatbots in education will drastically change learning, making responsible deployment a critical concern. While large language models (LLMs) might have access to sources discussing insights from educational sciences, they are not particularly inclined to adhere to pedagogical concepts, risking negative effects on the learning process, such as a loss of transfer capabilities, critical thinking, or creativity. In this paper, we introduce an agentic AI chatbot architecture assisting students with exercise solving, specifically designed to contribute to more responsible AI use in education. We base our conceptual development on the identification of several desiderata for responsible LLM-based educational systems, argue for the structural shortcomings inherent in monolithic, out-of-the-box solutions, and instead suggest modularizing the agentic architecture. We propose specific modules for different stages of exercise solving, enabling incorporation of targeted pedagogical advice, guiding students through the learning process in a more controllable, transparent, and overseeable manner.
• Abstract（参考訳）: 教育におけるAIチャットボットの普及は、学習を大きく変えるだろう。 大きな言語モデル(LLM)は、教育科学からの洞察を議論する情報源にアクセスすることができるが、教育的な概念に固執する傾向はなく、伝達能力の喪失や批判的思考、創造性といった学習プロセスに悪影響を及ぼすリスクがある。 本稿では,運動問題解決を支援するエージェント型AIチャットボットアーキテクチャについて紹介する。 我々は, モノリシック・オブ・ザ・ボックス・ソリューションに固有の構造的欠点を論じ, 代わりにエージェント・アーキテクチャのモジュール化を提案する。 運動問題解決の異なる段階の特定のモジュールを提案し、対象の教育的アドバイスを取り入れ、より制御可能で透明で監督可能な方法で学習プロセスを通じて学生を指導する。

関連論文リスト

• Cognitive Agent Compilation for Explicit Problem Solver Modeling [1.7405377471067036]
  大規模言語モデル(LLM)は、チュータリング、フィードバック生成、コンテンツ生成に広く使用されているが、その広範な事前訓練により、制御可能な学習者に対する制約や代替品の不足が困難になる。 本稿では,認知エージェントコンパイル(Cognitive Agent Compilation, CAC)を提案する。 CAC は (i) 知識表現, (ii) 問題解決方針, (iii) 検証と更新規則を分離し, 境界問題の解法をより検査し, 編集しやすくすることを目的としている。
  論文  参考訳（メタデータ） (2026-05-07T23:40:50Z)
• From Problem-Solving to Teaching Problem-Solving: Aligning LLMs with Pedagogy using Reinforcement Learning [82.50157695987558]
  大規模言語モデル(LLM)は教育を変換することができるが、直接質問応答のための最適化はしばしば効果的な教育を損なう。 オンライン強化学習(RL)に基づくアライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-21T15:00:07Z)
• Education in the Era of Neurosymbolic AI [0.6468510459310326]
  我々は,ハイブリッドNAIアーキテクチャの重要な構成要素として,教育エージェントの独特な余裕を生かしたシステムを提案する。 我々は,NAI時代の教育によって,学習がよりアクセスしやすく,公平で,現実世界のスキルに適合するものになると結論づける。
  論文  参考訳（メタデータ） (2024-11-16T19:18:39Z)
• Cognitive LLMs: Towards Integrating Cognitive Architectures and Large Language Models for Manufacturing Decision-making [51.737762570776006]
  LLM-ACTRは、ヒトに適応し、多目的な意思決定を提供する新しいニューロシンボリックアーキテクチャである。 我々のフレームワークは、ACT-Rの内部決定過程の知識を潜在神経表現として抽出し、組み込む。 デザイン・フォー・マニュファクチャリング・タスクに関する我々の実験は、タスク性能の向上と基礎的意思決定能力の向上を両立させたものである。
  論文  参考訳（メタデータ） (2024-08-17T11:49:53Z)
• Enhancing Instructional Quality: Leveraging Computer-Assisted Textual Analysis to Generate In-Depth Insights from Educational Artifacts [13.617709093240231]
  本研究では、人工知能(AI)と機械学習(ML)が教育内容、教師の談話、学生の反応を分析して教育改善を促進する方法について検討する。 私たちは、教師のコーチング、学生のサポート、コンテンツ開発など、AI/ML統合が大きな利点をもたらす重要な領域を特定します。 本稿では,AI/ML技術と教育的目標との整合性の重要性を強調し,その教育的可能性を実現する。
  論文  参考訳（メタデータ） (2024-03-06T18:29:18Z)
• Adapting Large Language Models for Education: Foundational Capabilities, Potentials, and Challenges [60.62904929065257]
  大規模言語モデル(LLM)は、個々の要求を解釈することでこの問題を解決する可能性を提供する。 本稿では, 数学, 文章, プログラミング, 推論, 知識に基づく質問応答など, 教育能力に関する最近のLLM研究を概観する。
  論文  参考訳（メタデータ） (2023-12-27T14:37:32Z)
• Teachable Reinforcement Learning via Advice Distillation [161.43457947665073]
  外部教師が提供した構造化アドバイスから学習する「教育可能な」意思決定システムに基づく対話型学習のための新しい指導パラダイムを提案する。 我々は、アドバイスから学ぶエージェントが、標準的な強化学習アルゴリズムよりも人的監督力の少ない新しいスキルを習得できることを示す。
  論文  参考訳（メタデータ） (2022-03-19T03:22:57Z)

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。