論文の概要: AI-Integrated Learning Management System for Middle School: A Longitudinal Study of Learning Outcomes Through High School and Beyond

• arxiv url: http://arxiv.org/abs/2606.07544v1
• Date: Sat, 02 May 2026 05:10:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.698813
• Title: AI-Integrated Learning Management System for Middle School: A Longitudinal Study of Learning Outcomes Through High School and Beyond
• Title（参考訳）: 中学校におけるAI統合学習管理システム--高等学校以降の学習成果の縦断的研究
• Authors: Misan Paul Etchie, Taiwo Olutosin,
• Abstract要約: 中学校は中核的な学問的スキルを構築するための重要な窓口である。 多くの学生は、ヘルプが制限されることが多く、しばらく立ち往生した後、遅すぎるため遅れています。 本研究では,中等教育のためのAI統合LMSを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Middle school is a key window for building core academic skills and the learning routines students carry into later grades, yet many students still fall behind because help is often limited and comes too late, after they have already been stuck for a while. Learning Management Systems (LMSs) are now standard infrastructure for distributing materials, collecting work, assessing students' tasks, and recording grades, but in most deployments they still behave more like workflow tools than instructional supports. The result is the usual bottleneck: students keep practicing through confusion, teachers triage questions, and feedback that could have corrected the misunderstanding arrives after the misconception has already hardened. To address this gap, we propose an AI-integrated LMS for middle school instruction, paired with a longitudinal study design to test whether sustained, bounded AI support changes outcomes through high school and into post-high school pathways. The proposed platform adds policy-gated AI assistance to everyday coursework, delivering formative feedback and hinting, recommending spaced review and adaptive practice based on mastery, and providing teacher-facing dashboards that summarize misconception patterns and flag sustained struggle. Because the platform is intended for minors, the design is privacy-first, using data minimization, role-based access control, age-appropriate response constraints, and auditable logs of AI interactions. Beyond short-term performance, the evaluation plan links fine-grained learning traces (attempts, revisions, help-seeking, and pacing) to institutional outcomes where feasible, so we can separate tool adoption effects from longer-run changes in learning trajectories.
• Abstract（参考訳）: 中等教育は、中等教育のコアとなるスキルを構築するための重要な窓口であり、学生が後期の学級に通う学習ルーチンであるが、ヘルプが制限され、しばらくの間立ち往生していたため、多くの学生が後れを取っている。 学習管理システム(LMS)は現在、教材の配布、作業の収集、学生のタスクの評価、成績の記録のための標準的なインフラとなっているが、ほとんどのデプロイメントでは、教育支援よりもワークフローツールのように振る舞う。 その結果、学生は混乱を通じて練習を続け、教師は質問をトリアージし、誤解を修正できたフィードバックは、既に誤解が固まった後に届きました。 このギャップに対処するため,中等教育用AI統合LMSを提案し,中等教育用中等教育用中等教育用中等教育用中等教育用中等教育用中等教育用中等教育用中等教育用中等教育用中等教育用AI統合LMSを提案する。 提案されたプラットフォームは、日々のコースワークにポリシー付きAIアシストを追加し、フォーマティブなフィードバックとヒントを提供し、熟達に基づいたスペース付きレビューと適応的なプラクティスを推奨し、誤解のパターンを要約した教師対応のダッシュボードと永続的な闘争のフラグを提供する。 このプラットフォームはマイナーを対象にしているため、プライバシ第一の設計であり、データ最小化、ロールベースのアクセス制御、年齢に応じた応答制約、AIインタラクションの監査可能なログを使用する。 短期成績以外にも,評価計画では,学習軌跡の微粒化(試み,リビジョン,ヘルプ・シーキング,ペアリング)を,実現可能な制度的な成果と結びつけ,学習軌跡の長期的変化からツール導入効果を分離することができる。

関連論文リスト

• Teaching Students to Question the Machine: An AI Literacy Intervention Improves Students' Regulation of LLM Use in a Science Task [0.0]
  学校における生成的人工知能の急速な採用は、学生のアウトプットへの非クリティカルな依存を懸念させる。 これらのスキルはまだ中学生で開発されており、学生は過信やAI出力の早期受け入れに弱くなっている。 本稿では,2時間のAIリテラシーワークショップが,学生のインタラクション戦略や最終回答の質を向上するかどうかを教室で調査した。
  論文  参考訳（メタデータ） (2026-04-02T12:19:43Z)
• An Experience Report on a Pedagogically Controlled, Curriculum-Constrained AI Tutor for SE Education [4.976713294177978]
  本稿では、RockStartITイニシアチブ内のデジタルプログラミングおよび計算思考コース用に開発されたAIアシスタントであるRockStartIT Tutorの設計とパイロット評価について述べる。 GPT-4をOpenAIのAssistant API経由で提供するこのチューターは、新しいプロンプト戦略と、コンテキスト認識、パーソナライズ、カリキュラムに制約されたサポートを中学生に提供するために、モジュール化されたセマンティックタグ付きナレッジベースを採用している。
  論文  参考訳（メタデータ） (2025-12-08T12:54:37Z)
• Stitch: Step-by-step LLM Guided Tutoring for Scratch [1.8206350996077172]
  そこで我々は,Stitchを紹介した。Stitchは対話型学習システムで,"答えの描画"をステップバイステップの足場に置き換える。 我々は、Scratchのための最新の自動フィードバック生成ツールと比較し、Stitchを実証的研究で評価した。
  論文  参考訳（メタデータ） (2025-10-30T16:03:56Z)
• Exploring Student Behaviors and Motivations using AI TAs with Optional Guardrails [2.097564039749475]
  ガードレール(Guardrails)は、直接的なソリューションではなく、足場によるサポートを提供する機能である。 See Solution"機能はガードレールを無効にし、基盤となるモデルから冗長な応答を生成します。 その結果、885人の学生の50%が少なくとも1つの問題に「See Solution」機能を使用し、14%が3つの問題に利用していることがわかった。
  論文  参考訳（メタデータ） (2025-04-15T12:48:22Z)
• 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)
• A Machine Learning system to monitor student progress in educational institutes [0.0]
  本稿では、機械学習技術を用いて、クレジットスコアと呼ばれる分類器を生成するデータ駆動手法を提案する。 信用スコアを進捗指標として使うという提案は、学習管理システムで使うのに適している。
  論文  参考訳（メタデータ） (2022-11-02T08:24:08Z)
• ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
  本稿では,フィードバックを数発の分類として提供するという課題について考察する。 メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。 本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
  論文  参考訳（メタデータ） (2021-07-23T22:41:28Z)
• Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
  パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。 近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
  論文  参考訳（メタデータ） (2021-01-19T12:23:32Z)
• Bridging the Imitation Gap by Adaptive Insubordination [88.35564081175642]
  教官が特権情報にアクセスして意思決定を行う場合、この情報は模倣学習中に疎外されることを示す。 本稿では,このギャップに対処するため,適応的不規則化(ADVISOR)を提案する。 ADVISORは、トレーニング中の模倣と報酬に基づく強化学習損失を動的に重み付け、模倣と探索をオンザフライで切り替えることを可能にする。
  論文  参考訳（メタデータ） (2020-07-23T17:59:57Z)
• Curriculum Learning for Reinforcement Learning Domains: A Framework and Survey [53.73359052511171]
  強化学習(Reinforcement Learning, RL)は、エージェントが限られた環境フィードバックしか持たないシーケンシャルな意思決定タスクに対処するための一般的なパラダイムである。 本稿では、RLにおけるカリキュラム学習(CL)の枠組みを提案し、既存のCLメソッドを仮定、能力、目標の観点から調査・分類する。
  論文  参考訳（メタデータ） (2020-03-10T20:41:24Z)

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。