論文の概要: LectūraAgents: A Multi-Agent Framework for Adaptive Personalized AI-Assisted Learning and Embodied Teaching
- arxiv url: http://arxiv.org/abs/2606.16428v2
- Date: Tue, 23 Jun 2026 04:01:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 22:16:48.17291
- Title: LectūraAgents: A Multi-Agent Framework for Adaptive Personalized AI-Assisted Learning and Embodied Teaching
- Title（参考訳）: LectūraAgents: 適応型パーソナライズAI支援学習と体育教育のためのマルチエージェントフレームワーク
- Authors: Jaward Sesay, Yue Yu, Siwei Dong, Guangyao Chen, Börje F. Karlsson,
- Abstract要約: LectraAgentsは、エンドツーエンド適応型教育を通じてパーソナライズされた学習を可能にするマルチエージェントフレームワークである。
LectraAgentsは教授と学生の関係を反映し、Agent教授が特別部下の協力チームを率いている。
実験結果から,授業内容の質,具体的授業の質,評価,パーソナライゼーションが既存手法よりも一貫した向上を示した。
- 参考スコア（独自算出の注目度）: 21.93366912657001
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Effective personalized AI-assisted learning demands systems that can not only generate accurate learner-specific educational materials, but also dynamically adapt their instruction to diverse learners. However, existing educational agents have primarily focused on lecture content automation and simulations, which often fall short of modelling multimodal and embodied instructional methods tailored for the individual learner. To this end, we propose LectūraAgents - a multi-agent framework that enables personalized learning through end-to-end adaptive embodied teaching. At its core, LectūraAgents mirrors a professor-student relationship, in which a ProfessorAgent leads a collaborative team of specialized subordinate agents through research, planning, review, and embodied delivery of lecture contents that adapt to a learner's needs. The framework offers three main contributions: (1) a hierarchical multi-agent architecture for end-to-end personalized learning; (2) an adaptive embodied teaching mechanism, wherein the ProfessorAgent executes visible and pedagogically motivated teaching actions (e.g., handwrite, highlight, underline, etc.) over contents in a teaching environment; and (3) a Teaching Action-Speech Alignment (TASA) algorithm that employs salience-based heuristics and temporal semantic segmentation to generate coherent teaching action sequences aligned with learner profiles. We evaluate LectūraAgents on diverse courses at high school, undergraduate, and graduate levels using sample-specific rubric-based analysis; with generated lecture materials and teaching actions assessed and validated by expert educators. Experimental results show consistent gains in lecture content quality, embodied teaching quality, assessment, and personalization over existing approaches, positioning LectūraAgents as a pedagogically well-grounded framework for personalized learning at scale.
- Abstract（参考訳）: 効果的なパーソナライズされたAI支援学習システムは、正確な学習者固有の教材を生成するだけでなく、多様な学習者にその指導を動的に適応させることができる。
しかし、既存の教育エージェントは、主に講義内容の自動化とシミュレーションに焦点を合わせており、個々の学習者に適したマルチモーダルおよび具体的指導方法のモデル化に欠けることが多い。
そこで我々はLectūraAgentsを提案する。LectūraAgentsは、エンドツーエンド適応型教育を通じてパーソナライズされた学習を可能にするマルチエージェントフレームワークである。
LectūraAgentsは教授と学生の関係を反映し、Agent教授が研究、計画、レビュー、そして学習者のニーズに適応した講義内容の配信を通じて専門的な下級エージェントの協力チームを率いている。
本フレームワークは,(1)エンド・ツー・エンドのパーソナライズドラーニングのための階層型マルチエージェントアーキテクチャ,(2)教師が目に見える教育行為(例えば,手書き,ハイライト,アンダーラインなど)を指導環境の内容に対して実行し,(3)サリエンスに基づくヒューリスティックと時間的セマンティックセマンティックセグメンテーションを用いて,学習者のプロファイルに整合した一貫性のある指導行動列を生成する適応型教育機構を提供する。
小学校, 学部, 大学院の様々なコースにおけるレクトゥラ・アジェントを, サンプル別ルーブリック分析を用いて評価し, 専門家教育者が評価・検証した講義資料と授業行動を用いて評価した。
実験結果から,LectūraAgentsを大規模個別学習の教育的基盤として位置づけ,講義内容の質,具体的教育質,評価,パーソナライズが一貫した向上を示した。
関連論文リスト
- Are Agents Ready to Teach? A Multi-Stage Benchmark for Real-World Teaching Workflows [48.61619205237941]
EduAgentBenchは、教授作業の全範囲でチューターエージェントを評価するための、ソースグラウンドのベンチマークである。
専門的な教育的判断、複数ターンのチューターの配置、Canvasスタイルの教育ワークフローの補完という、3つの機能面にわたる品質管理タスクが150種類含まれている。
我々の知る限り、EduAgentBenchは、チューターエージェントの総合的な教育能力を評価するための理論的かつ現実的なベンチマークである。
論文 参考訳（メタデータ） (2026-05-14T03:34:25Z) - Letting Tutor Personas "Speak Up" for LLMs: Learning Steering Vectors from Dialogue via Preference Optimization [45.40380629269521]
教師と学生の対話に埋め込まれた教師ペルソナが、明示的に指示された指示に頼らずにLLM行動の指導にどのように使えるかを示す。
ステアリングベクトルは、対話コンテキスト間でのチューター固有の変化をキャプチャし、接地型チューター発話とのセマンティックアライメントを改善し、嗜好に基づく評価を増大させる。
論文 参考訳（メタデータ） (2026-02-07T17:44:07Z) - AgentTutor: Empowering Personalized Learning with Multi-Turn Interactive Teaching in Intelligent Education Systems [11.202091624300062]
AgentTutorは、パーソナライズされた学習を促進する多ターンインタラクティブな知的教育システムである。
LLMを利用した生成型マルチエージェントシステムと学習者固有の学習プロファイル環境を備えている。
カリキュラムの分解、学習者評価、動的戦略、リフレクションの指導、知識と経験記憶の5つの重要なモジュールが含まれている。
論文 参考訳（メタデータ） (2025-12-24T12:26:28Z) - Addressing Situated Teaching Needs: A Multi-Agent Framework for Automated Slide Adaptation [23.899556307948135]
インストラクター仕様に基づくスライド適応の自動化を目的とした,新しいマルチエージェントフレームワークを提案する。
8つの実世界コースにまたがる16の修正要求による評価を行い,本手法の有効性を検証した。
この研究は、AIエージェントが教育設計の論理的負担を処理し、教育者を解放し、教育の創造的かつ戦略的側面に集中させるという、新たなパラダイムを提唱している。
論文 参考訳（メタデータ） (2025-11-24T07:22:41Z) - Instructional Agents: LLM Agents on Automated Course Material Generation for Teaching Faculties [3.045939700894802]
Instructional Agentsは、エンド・ツー・エンドの教材生成を自動化するためのフレームワークである。
このフレームワークは、教育エージェント間のロールベースのコラボレーションをシミュレートし、結束的で教育的に整合したコンテンツを生成する。
高品質な教育材料を生産し、開発時間と人的負荷を大幅に削減する。
論文 参考訳（メタデータ） (2025-08-27T06:45:06Z) - Investigating Pedagogical Teacher and Student LLM Agents: Genetic Adaptation Meets Retrieval Augmented Generation Across Learning Style [16.985943868964394]
効果的な教育には、学生の多様な認知的・行動的プロファイルに対応するために教育戦略を適用する必要がある。
本稿では,異種学生エージェントを自己最適化型教師エージェントと統合する新しいシミュレーションフレームワークを提案する。
本研究は,データ駆動環境下での人間教育者を訓練するためのテストベッドの提供を目的として,LLMによるシミュレーションの可能性を強調した。
論文 参考訳（メタデータ） (2025-05-25T14:45:35Z) - LLM-powered Multi-agent Framework for Goal-oriented Learning in Intelligent Tutoring System [54.71619734800526]
GenMentorは、ITS内で目標指向でパーソナライズされた学習を提供するために設計されたマルチエージェントフレームワークである。
学習者の目標を、カスタムのゴール・トゥ・スキルデータセットでトレーニングされた微調整LDMを使用して、必要なスキルにマッピングする。
GenMentorは、個々の学習者のニーズに合わせて探索・描画・統合機構で学習内容を調整する。
論文 参考訳（メタデータ） (2025-01-27T03:29:44Z) - 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) - Learning Transferable Pedestrian Representation from Multimodal
Information Supervision [174.5150760804929]
VAL-PATは、移動可能な表現を学習し、様々な歩行者分析タスクをマルチモーダル情報で強化する新しいフレームワークである。
まず、LUPerson-TAデータセットで事前トレーニングを行い、各画像にはテキストと属性アノテーションが含まれている。
次に、学習した表現を、人物のreID、人物属性認識、テキストベースの人物検索など、さまざまな下流タスクに転送する。
論文 参考訳（メタデータ） (2023-04-12T01:20:58Z)
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。