論文の概要: SortingHat: Redefining Operating Systems Education with a Tailored Digital Teaching Assistant
- arxiv url: http://arxiv.org/abs/2606.00015v1
- Date: Mon, 13 Apr 2026 13:17:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 07:09:36.571793
- Title: SortingHat: Redefining Operating Systems Education with a Tailored Digital Teaching Assistant
- Title（参考訳）: SortingHat: 電子教示アシスタントによるオペレーティングシステム教育の再定義
- Authors: Yifan Zhang, Xinkui Zhao, Zuxin Wang, Zhengyi Zhou, Guanjie Chen, Shuiguang Deng, Jianwei Yin,
- Abstract要約: オペレーティングシステム(OS)コースは、コンピュータサイエンス教育において最も難しいものの一つである。
伝統的な教育法は、様々な背景、学習速度、実践的な学生のニーズに対処できない。
私たちはSortingHatを紹介します。SortingHatは、OS教育に特化したパーソナライズされたデジタル教育アシスタントです。
- 参考スコア（独自算出の注目度）: 41.096524789483205
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Operating Systems (OS) courses are among the most challenging in computer science education due to the complexity of internal structures and the diversity of running environments. Traditional teaching methods often fail to address the diverse backgrounds, learning speeds, and practical needs of students. To tackle these challenges, we present SortingHat, a personalized digital teaching assistant tailored specifically for OS education. SortingHat integrates advanced AI technologies, including a retrieval augmented generation (RAG) framework and multi agent reinforcement learning (MARL), to deliver adaptive, scalable, and effective educational support. SortingHat features a 3D digital human interface powered by large language models (LLMs) to provide personalized, empathetic, and context aware guidance. It generates tailored exercises based on each student's learning history and academic performance, reinforcing weak areas and challenging advanced concepts. Additionally, the system incorporates a robust evaluation pipeline that ensures fair, consistent, and unbiased grading of student submissions while delivering personalized, actionable feedback for improvement. By combining personalized guidance, adaptive content creation, and automated assessment, SortingHat transforms OS education into an engaging, immersive, and scalable experience.
- Abstract（参考訳）: オペレーティングシステム(OS)コースは、内部構造の複雑さと実行環境の多様性のために、コンピュータサイエンス教育において最も難しいものの一つである。
伝統的な教育法は、様々な背景、学習速度、実践的な学生のニーズに対処できないことが多い。
これらの課題に対処するために、OS教育に特化したパーソナライズされたデジタル教育アシスタントであるSortingHatを紹介する。
SortingHatは、検索拡張生成(RAG)フレームワークとマルチエージェント強化学習(MARL)を含む高度なAI技術を統合し、適応的でスケーラブルで効果的な教育サポートを提供する。
SortingHatは、大きな言語モデル(LLM)をベースとした3Dデジタルヒューマンインタフェースを備えており、パーソナライズされ、共感され、コンテキストを意識したガイダンスを提供する。
各学生の学習履歴と学業成績に基づいて調整された演習を生成し、弱い領域を強化し、高度な概念に挑戦する。
さらに、システムには堅牢な評価パイプラインが組み込まれており、学生の応募の公平で一貫性があり、偏りのない評価を保証すると同時に、改善のためのパーソナライズされた行動可能なフィードバックを提供する。
パーソナライズされたガイダンス、適応的なコンテンツ作成、自動評価を組み合わせることで、SortingHatはOS教育を魅力的な、没入的でスケーラブルなエクスペリエンスに変える。
関連論文リスト
- Comparative Analysis of STEM and non-STEM Teachers' Needs for Integrating AI into Educational Environments [0.6138671548064355]
本研究は,AIと分析機能を取り入れることで,教育プラットフォームをどのように改善できるかを考察する。
我々は8人のK-12教師にインタビューを行い、ブロックベースのプログラミング(BBP)プラットフォームをクラスで使用しながら、その実践とニーズについて質問した。
論文 参考訳（メタデータ） (2025-09-18T16:20:18Z) - PAPPL: Personalized AI-Powered Progressive Learning Platform [4.427312315598971]
本稿では,工学教育に特化した高度知能学習システムであるPAPPL(Personalized AI-Powered Progressive Learning)について紹介する。
PAPPLは、エキスパートモジュール、学生モジュール、チューターモジュール、ユーザーインターフェースを含むコアITSコンポーネントを統合し、洗練された大規模言語モデル(LLM)であるGPT-4oを利用する。
このシステムは、学生の試行を独自に記録し、繰り返し行われる誤解を検知し、段階的に目標とするフィードバックを生成し、各生徒の学習プロファイルに動的に適応するパーソナライズされた支援を提供する。
論文 参考訳（メタデータ） (2025-08-18T00:35:24Z) - Enhancing tutoring systems by leveraging tailored promptings and domain knowledge with Large Language Models [2.5362697136900563]
ChatGPTやIntelligent Tutoring Systems(ITS)といったAI駆動のツールは、パーソナライゼーションと柔軟性を通じて、学習エクスペリエンスを向上している。
ITSは、個々の学習ニーズに適応し、生徒のパフォーマンス、認知状態、学習パスに基づいてカスタマイズされたフィードバックを提供する。
我々の研究は,大規模言語モデル(LLM)の迅速な工学化にRAG(Retrieval Augmented Generation)を介して,スキルアラインなフィードバックを組み込むことによって,これらのギャップに対処することを目的としている。
論文 参考訳（メタデータ） (2025-05-02T02:30:39Z) - Inclusive STEAM Education: A Framework for Teaching Cod-2 ing and Robotics to Students with Visually Impairment Using 3 Advanced Computer Vision [0.0]
本稿では,事前構築したロボットと,迷路解決技術などのアルゴリズムを,アクセス可能な学習環境内で活用する枠組みを提案する。
提案システムでは、コントラスト言語画像事前学習(CLIP)を用いて、グローバルカメラキャプチャーされた迷路レイアウトを処理する。
学生は、CLIPを通じて洗練された音声コマンドを発行する一方、ロボット搭載ステレオカメラは、同時SLAMで処理されるリアルタイムデータを提供する。
論文 参考訳（メタデータ） (2025-03-06T17:15:12Z) - Dynamic Skill Adaptation for Large Language Models [78.31322532135272]
動的スキル適応(Dynamic Skill Adaptation, DSA)は, 言語モデル(LLM)に新しい複雑なスキルを適応させる適応的かつ動的フレームワークである。
各スキルに対して,学習前スキルの詳細な記述を含む教科書的データと,学習前スキルの具体的活用を目標とした演習的データの両方を生成する。
LLAMA や Mistral のような大規模言語モデルを用いた実験は,提案手法が数学推論スキルや社会学習スキルに適応する上で有効であることを示す。
論文 参考訳（メタデータ） (2024-12-26T22:04:23Z) - 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) - Empowering Private Tutoring by Chaining Large Language Models [87.76985829144834]
本研究は,最先端の大規模言語モデル(LLM)を活用した,本格的な知的チューリングシステムの開発を探求する。
このシステムは、相互に接続された3つのコアプロセス(相互作用、反射、反応)に分けられる。
各プロセスは LLM ベースのツールと動的に更新されたメモリモジュールによって実装される。
論文 参考訳（メタデータ） (2023-09-15T02:42:03Z) - Generating Language Corrections for Teaching Physical Control Tasks [21.186109830294072]
CORGIは、物理制御タスクのための言語修正を生成するために訓練されたモデルである。
CORGIは(i)新しい学生軌跡に対する有効なフィードバックを生成でき、(ii)新しい制御ダイナミクスを持つドメインのベースラインを上回り、(iii)インタラクティブな描画タスクにおける生徒の学習を改善することができることを示す。
論文 参考訳（メタデータ） (2023-06-12T10:31:16Z) - MT-Opt: Continuous Multi-Task Robotic Reinforcement Learning at Scale [103.7609761511652]
大規模集団ロボット学習システムが,行動のレパートリーを同時に獲得できることを示す。
新しいタスクは、以前学んだタスクから継続的にインスタンス化できる。
我々は,7台のロボットから収集したデータを用いて,実世界のタスク12組でシステムを訓練し,評価する。
論文 参考訳（メタデータ） (2021-04-16T16:38:02Z)
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。