論文の概要: Developing a UXR Point of View for Cognitive Accessibility in Mobile Learning with Generative AI
- arxiv url: http://arxiv.org/abs/2605.31149v1
- Date: Fri, 29 May 2026 11:00:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.557791
- Title: Developing a UXR Point of View for Cognitive Accessibility in Mobile Learning with Generative AI
- Title（参考訳）: 生成AIを用いたモバイル学習における認知的アクセシビリティの観点からのUXRポイントの開発
- Abstract要約: この研究は、心理的、行動的、デザイン層の基礎的な構造化、DeLoneとMcLean Information Systems Success ModelとQuality Function Deployment(QFD)を用いた構造化検証の4段階に進んだ。
モバイル学習における多くのユーザビリティとエンゲージメントの課題は、インターフェース設計のみではなく、あいまいな要求や不明確な要求に由来することが示唆されている。
提案されているCognitive Accessibility UXR Playbookは、理論、システムアーキテクチャ、ステークホルダ戦略を整合させる構造化された経路を提供する。
- 参考スコア（独自算出の注目度）: 1.641968752143392
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study investigates how UX research (UXR) principles, combined with Large Language Model (LLM)-supported analysis, can be used to improve the quality of requirements for mobile learning systems designed for learners with cognitive disabilities. Using the UXR Point-of-View (PoV) pyramid as a methodological framework, the study progressed through four stages: foundational structuring of psychological, behavioral, and design layers; structured validation using the DeLone and McLean Information Systems Success Model and Quality Function Deployment (QFD); insight consolidation through the development of nine Cognitive Accessibility UXR Play Cards; and stakeholder-specific PoV articulation to support interdisciplinary communication. LLM-supported synthesis was integrated to assist in theme clustering, requirement refinement, and hypothesis formulation under human oversight. Findings suggest that many usability and engagement challenges in mobile learning originate from ambiguous or under-specified requirements rather than interface design alone. By embedding cognitive accessibility principles into measurable and technically traceable requirements, the proposed Cognitive Accessibility UXR Playbook provides a structured pathway for aligning theory, system architecture, and stakeholder strategy.
- Abstract（参考訳）: 本研究では、UX研究(UXR)の原則とLarge Language Model(LLM)による分析を組み合わせることで、認知障害のある学習者を対象としたモバイル学習システムの要求品質を向上させる方法について検討する。
The UXR Point-of-View (PoV) pyramid as a methodological framework, この研究は、心理的、行動的、デザイン層の基本的な構造化、DeLoneとMcLean情報システム成功モデルと品質機能展開(QFD)を用いた構造化検証、9つの認知アクセシビリティUXRプレイカードの開発による洞察の統合、およびステークホルダー固有のPoVセグメンテーションの4段階に進んだ。
LLMによる合成は、人間の監視下でのテーマクラスタリング、要求の洗練、仮説の定式化を支援するために統合された。
モバイル学習における多くのユーザビリティとエンゲージメントの課題は、インターフェース設計のみではなく、あいまいな要求や不明確な要求に由来することが示唆されている。
認知アクセシビリティの原則を測定可能で技術的に追跡可能な要件に組み込むことで、提案された認知アクセシビリティUXRプレイブックは、理論、システムアーキテクチャ、ステークホルダ戦略を整合させる構造化された経路を提供する。
関連論文リスト
- A Prompt-Engineering Approach to Develop Scalable, Flexible, and Real-Time Hybrid Micro-Level Personalization in a General Purpose AI Teaching Assistant [0.0]
本研究では,汎用LLM/RAGベースのAI教示アシスタントをパーソナライズするための,プロンプトエンジニアリングに基づくフレームワークを提案する。
このフレームワークは, 自己評価, 抽象選好, 冗長選好, 知覚指向, 情報処理スタイル, 理解レベルという,6つの学習者固有の次元を用いて応答を適応する。
その結果,評価可能な応答変化に関連する学習者属性を統計的に同定し,個人化条件による応答スタイルと構造の違いが認められた。
論文 参考訳（メタデータ） (2026-09-03T06:01:47Z) - GenAI for Systems: Recurring Challenges and Design Principles from Software to Silicon [62.2138479061386]
ジェネレーティブAIは、コンピュータシステムの設計、最適化、構築方法を変えようとしているが、ソフトウェア、アーキテクチャ、チップデザインコミュニティの間で研究は断片化されている。
本稿では、ハードウェア設計空間探索からRTL合成、物理レイアウト、検証に至るまで、コード生成と分散ランタイムから生成モデルがどのように適用されているかを検討する。
論文 参考訳（メタデータ） (2026-02-16T22:45:33Z) - Multi-Agent Learning Path Planning via LLMs [10.288666777827578]
本研究では,大規模言語モデル(LLM)を利用した新しいマルチエージェント学習経路計画フレームワークを提案する。
このフレームワークは、学習者分析エージェント、経路計画エージェント、反射エージェントの3つのタスク固有エージェントを含む。
7つのLCMを用いてMOOCXデータセット上で行った実験により、MALPPはパス品質、知識シーケンスの整合性、認知負荷の整合性において、ベースラインモデルよりも著しく優れていた。
論文 参考訳（メタデータ） (2026-01-24T07:13:08Z) - PISA: A Pragmatic Psych-Inspired Unified Memory System for Enhanced AI Agency [50.712873697511206]
既存の作業は、多種多様なタスクへの適応性に欠けることが多く、AIエージェントメモリの構成的およびタスク指向の役割を見落としている。
PISAは,メモリを構築的かつ適応的なプロセスとして扱う,実践的でサイコにインスパイアされた統合メモリシステムである。
既存のLOCOMOベンチマークと新たに提案したデータ解析タスクのAggQAベンチマークに基づいて,PISAが適応性と長期的知識保持を大幅に向上させることで,新たな最先端技術を設定することを確認した。
論文 参考訳（メタデータ） (2025-10-12T10:34:35Z) - Cognitive-Level Adaptive Generation via Capability-Aware Retrieval and Style Adaptation [36.622949794875076]
大規模言語モデル(LLM)は、オープンな生成タスクにおいて強力なパフォーマンスを示している。
彼らはしばしば、異なる認知能力を持つユーザーにコンテンツを適用するのに苦労し、私たちが認知的ミスアライメントと呼ぶ現象につながります。
本稿では,知識複雑性とプレゼンテーションスタイルをユーザ認知と整合させるための認知レベルアライメントフレームワーク(CLAF)を提案する。
論文 参考訳（メタデータ） (2025-09-15T10:11:25Z) - Designing LMS and Instructional Strategies for Integrating Generative-Conversational AI [0.0]
本研究では,AIを活用した学習管理システムを構築するための構造化フレームワークを提案する。
生成AIと会話AIを統合し、適応的でインタラクティブで学習者中心の教育をサポートする。
論文 参考訳（メタデータ） (2025-08-31T06:01:50Z) - Feature-Based vs. GAN-Based Learning from Demonstrations: When and Why [50.191655141020505]
この調査は、デモから学ぶ機能ベースのアプローチとGANベースのアプローチの比較分析を提供する。
特徴に基づく手法とGANに基づく手法の2分法はますます曖昧になっていると我々は主張する。
論文 参考訳（メタデータ） (2025-07-08T11:45:51Z) - In-Context Learning for Gradient-Free Receiver Adaptation: Principles, Applications, and Theory [54.92893355284945]
ディープラーニングベースの無線受信機は、様々なチャネル環境に動的に適応する能力を提供する。
ジョイントトレーニング、ハイパーネットワークベースの手法、メタラーニングを含む現在の適応戦略は、限られた柔軟性を示すか、勾配降下による明示的な最適化を必要とする。
本稿では、インコンテキスト学習(ICL)の新たなパラダイムに根ざした勾配なし適応手法を提案する。
論文 参考訳（メタデータ） (2025-06-18T06:43:55Z) - A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。
大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。
我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
論文 参考訳（メタデータ） (2025-04-12T01:27:49Z) - GIVE: Structured Reasoning of Large Language Models with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを融合して、最小の外部入力で正確な推論を改善する新しい推論手法である。
GIVE は LLM エージェントをガイドして,最も関連する専門家データ (observe) を選択し,クエリ固有の発散思考 (reflect) に従事し,その情報を合成して最終的な出力 (speak) を生成する。
論文 参考訳（メタデータ） (2024-10-11T03:05:06Z) - 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) - Multi-step Inference over Unstructured Data [2.169874047093392]
医療、法律、金融などの分野における高い意思決定タスクは、精度、包括性、論理的一貫性のレベルを必要とする。
これらの問題に対処するための,ニューロシンボリックAIプラットフォームを開発した。
このプラットフォームは、知識抽出とアライメントのための微調整LDMと、堅牢なシンボリック推論エンジンを統合している。
論文 参考訳（メタデータ） (2024-06-26T00:00:45Z)
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。