論文の概要: Large-scale semantic mapping of learner agency and autonomy reveals what measurement and generative AI research overlook

• arxiv url: http://arxiv.org/abs/2606.10881v2
• Date: Thu, 11 Jun 2026 12:08:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 13:53:03.494226
• Title: Large-scale semantic mapping of learner agency and autonomy reveals what measurement and generative AI research overlook
• Title（参考訳）: 学習者エージェントと自律性の大規模意味マッピングによる計測と生成AI研究の展望
• Authors: Fei Qin, Xiaobo Liu, Yaowen Zhang, Xuming Li, Fei Wang, Mutlu Cukurova, Jingjing Chen, Yu Zhang,
• Abstract要約: 学習機関と自治は個人の発達の基礎である。 広汎な「ジングルジャングル」の誤用(すなわち、異なる構成体を示す同一用語、同一のものを意味する別用語)は累積的知識を著しく妨げている。 14,000冊以上の出版物から8,954件の定義と2,700件のスケール項目を抽出した。 この研究は、多次元学習機関と自律性を支援するための概念化、測定、実践に直接的な意味を持つ。
• 参考スコア（独自算出の注目度）: 20.980970925419637
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Learner agency and autonomy are foundational to personal development, yet a pervasive "jingle-jangle" fallacy (i.e. identical terms denoting different constructs, distinct terms denoting identical ones) has substantially hindered cumulative knowledge. Treating meaning as a phenomenon constituted through use in linguistic practice, we extracted 8,954 definitions and 2,700 scale items from over 14,000 publications, to investigate how researchers actually used learner agency and autonomy with a semantic analysis pipeline. The definitional landscape of two constructs resolves into three dimensions: regulation and control of learning (task), intrinsic motivation and internal decision-making (person), and social-relational action (sociocultural), thereby empirically quantifying the jingle-jangle fallacy. Existing scales, however, systematically underrepresent the sociocultural dimension. Critically, current generative AI research in education concentrates on learning regulation and control, narrowing the behavioral repertoire that AI-mediated learning environments are designed to cultivate. Beyond conceptual clarification, this work carries direct implications for conceptualization, measurement, and practice towards supporting the multidimensional learner agency and autonomy.
• Abstract（参考訳）: 学習機関と自律性は、個人的発展の基盤となっているが、広範に広がる「ジングルジャングル」の誤り(つまり、異なる構成を示す同一用語、同一の構成要素を示す別用語)は、累積的知識を著しく妨げている。 14,000以上の出版物から8,954件の定義と2,700件のスケール項目を抽出し,研究者が実際に学習者エージェントと自律性を意味分析パイプラインでどのように利用したかを検討した。 2つの構成要素の定義的景観は、学習の規制と制御(タスク)、本質的な動機づけと内部決定(人)、社会的関係行動(社会文化)の3つの次元に収まる。 しかし、既存のスケールは、体系的に社会文化的次元を過小評価している。 批判的に、教育における現在の生成的AI研究は、学習の規制と制御に集中し、AIを介する学習環境が育むように設計されているという行動的レパートリーを狭めている。 概念的明確化以外にも、この研究は多次元学習機関と自律性を支援するための概念化、測定、実践に直接的な意味を持つ。

関連論文リスト

• Faculty Orientations Shape Adoption of AI in Research and Teaching [0.0]
  本研究では,AIの使用状況,態度,制度的文脈,教育実践との関係について検討した。 その結果、既存の技術適応モデルは、技術が学際的推論や知識生産と直接相互作用する文脈における採用を完全に説明できない可能性が示唆された。
  論文  参考訳（メタデータ） (2026-05-18T09:47:35Z)
• Toward Human-Centered AI-Assisted Terminology Work [0.0]
  本稿では,人工知能に対する人間中心のアプローチが,用語学の作業に欠かせないものとなっていることを論じる。 このフレームワークは、拡張用語学者、倫理的AI、人間中心のデザインの3つの分野で構成されている。
  論文  参考訳（メタデータ） (2025-12-21T19:16:40Z)
• Cognitive Foundations for Reasoning and Their Manifestation in LLMs [63.12951576410617]
  大規模言語モデル(LLM)は複雑な問題を解くが、単純な変種では失敗し、人間の推論と根本的に異なるメカニズムによって正しい出力を達成することを示唆している。 我々は認知科学研究を、推論不変量、メタ認知制御、推論と知識の組織化のための表現、変換操作にまたがる28の認知要素の分類学に合成する。 複雑な問題に対して66.7%の性能向上を図り、成功構造を自動的に把握するテストタイム推論ガイダンスを開発した。
  論文  参考訳（メタデータ） (2025-11-20T18:59:00Z)
• Unveiling the Learning Mind of Language Models: A Cognitive Framework and Empirical Study [45.82081693725339]
  大規模言語モデル(LLM)は、数学、コーディング、推論といったタスクにまたがる印象的な機能を示している。 しかし、彼らの学習能力は、動的環境に適応し、新しい知識を得るのに不可欠であり、まだ過小評価されていない。
  論文  参考訳（メタデータ） (2025-06-16T13:24:50Z)
• 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)
• The Cognitive Revolution in Interpretability: From Explaining Behavior to Interpreting Representations and Algorithms [3.3653074379567096]
  機械的解釈可能性(MI)は、大きな言語モデルのような基礎モデルによって学習された特徴と暗黙のアルゴリズムを研究する別の研究領域として登場した。 我々は、20世紀の心理学における「認知革命」を反映した深層学習解釈の移行を促進するために、現在の手法が熟していると論じる。 計算神経科学におけるキーパラレルを反映した分類法を提案し,MI研究の2つの幅広いカテゴリについて述べる。
  論文  参考訳（メタデータ） (2024-08-11T20:50:16Z)
• Conceptual structure coheres in human cognition but not in large language models [7.405352374343134]
  概念構造は, 文化, 言語, 推定方法の違いに対して堅牢であることを示す。 結果は、現代の大言語モデルと人間の認知の間に重要な違いを浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-04-05T21:27:01Z)
• Interpreting Neural Policies with Disentangled Tree Representations [58.769048492254555]
  本稿では,コンパクトなニューラルポリシーの解釈可能性について,不整合表現レンズを用いて検討する。 決定木を利用して,ロボット学習における絡み合いの要因を抽出する。 学習したニューラルダイナミクスの絡み合いを計測する解釈可能性指標を導入する。
  論文  参考訳（メタデータ） (2022-10-13T01:10:41Z)
• Machine Common Sense [77.34726150561087]
  機械の常識は、人工知能(AI)において広範で潜在的に無拘束な問題のままである 本稿では、対人インタラクションのようなドメインに焦点を当てたコモンセンス推論のモデル化の側面について論じる。
  論文  参考訳（メタデータ） (2020-06-15T13:59:47Z)

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。