論文の概要: Learning to Prompt: Improving Student Engagement with Adaptive LLM-based High-School Tutoring

• arxiv url: http://arxiv.org/abs/2606.20138v1
• Date: Thu, 18 Jun 2026 12:00:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.837123
• Title: Learning to Prompt: Improving Student Engagement with Adaptive LLM-based High-School Tutoring
• Title（参考訳）: プロンプトの学習: 適応型LDMに基づくハイスクーリングによる生徒のエンゲージメント向上
• Authors: Po-Chin Chang, Nicholas Hogan, Aske Plaat, Michiel T. van der Meer,
• Abstract要約: 原文から抽出した14の教育的特徴に基づいて,主観認識型システムの開発と試験を行った。 シミュレーション環境では,まずプロンプトルーティングモデルを訓練し,その後,実際の高校生を対象にオンライン適応に展開する。
• 参考スコア（独自算出の注目度）: 0.3166549403591528
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLMs can personalize education, although current static-prompt tutoring systems struggle to adapt to diverse academic disciplines. We develop and test a system with subject-aware prompting, based on 14 pedagogical features (e.g., tutor scaffolding, student understanding) extracted from raw transcripts. We first train a prompt routing model in a simulation environment, and then deploy it for online adaptation with actual high-school students. The simulation benchmark shows the router outperforming two static baselines ($0.694$ vs. $0.647$ and $0.64$, $p<0.001$). A/B testing ($N=656$ conversations from 359 students) shows sim-to-real transfer where the model switches from analytical to scaffolding learning strategies. Our adaptive prompt selection mechanism improves instructional efficiency, maintains pedagogical quality and reduces interactions by around 3 turns ($p=0.007$). While a greedy router achieves a comparable exercise conversion rate with the baseline ($19.1\%$ vs. $19.6\%$), a stochastic router that samples strategies leads to a higher conversion rate ($28.1\%$).
• Abstract（参考訳）: LLMは教育をパーソナライズすることができるが、現在の静的学習システムは様々な学術分野に適応するのに苦労している。 原文から抽出した14の教科的特徴(例えば、教師の足場、学生の理解など)に基づいて、主観的学習を促すシステムを開発し、テストする。 シミュレーション環境では,まずプロンプトルーティングモデルを訓練し,その後,実際の高校生を対象にオンライン適応に展開する。 シミュレーションベンチマークは、ルータが2つの静的ベースライン(0.694$対$0.647$と$0.64$、$p<0.001$)を上回っていることを示している。 359人の学生によるA/Bテスト(N=656ドル)では、モデルが分析的な学習戦略から足場学習戦略に切り替わるシム・トゥ・リアルな移行が示されている。 適応的なプロンプト選択機構は命令効率を改善し,教育的品質を維持し,約3回(p=0.007$)のインタラクションを削減する。 強欲なルータがベースラインで同等のエクササイズコンバージョン率(19.1\%対19.6\%$)を達成する一方で、戦略をサンプリングする確率的なルータ(28.1\%$)は高いコンバージョン率(28.1\%$)につながる。

関連論文リスト

• Adaptive Guidance Accelerates Reinforcement Learning of Reasoning Models [3.207886496235499]
  検証可能な報酬(RLVR)に基づく強化学習で学習した推論モデルを用いて,新たな問題を解決する方法について検討する。 RLVRは、(1)pass@$k$をpass@1に圧縮し、(2)"capability gain"を介して、モデルが以前、$k$で解決できなかった新しい問題を解決することを学習する、という2つの主な方法でパフォーマンスを駆動する。
  論文  参考訳（メタデータ） (2025-06-16T19:03:06Z)
• Generative Adapter: Contextualizing Language Models in Parameters with A Single Forward Pass [109.34230156454574]
  大規模言語モデル(LM)は一般的に、新しい文脈におけるパフォーマンスを改善するために適応される。 微調整によってトレーニングコストが大幅に増加し、推論オーバーヘッドが増加する。 我々は、新しいコンテキストを低ランクLMアダプタに直接マッピングする効率的で効率的な適応手法である$GenerativeAdapter$を紹介した。
  論文  参考訳（メタデータ） (2024-11-08T00:42:47Z)
• The Optimization Landscape of SGD Across the Feature Learning Strength [102.1353410293931]
  オンライントレーニング環境で、さまざまなモデルやデータセットに$gamma$をスケーリングする効果について検討する。 最適なオンラインパフォーマンスは、しばしば大きな$gamma$で見られます。 以上の結果から,大容量ガンマ$限界の解析的研究は,実演モデルにおける表現学習のダイナミクスに関する有用な知見をもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2024-10-06T22:30:14Z)
• An Empirical Study of $μ$P Learning Rate Transfer [0.0]
  実際に,$mu$-Transfer法によってほぼ最適な学習率が得られることを示す。 明らかな約束にもかかわらず、$mu$P メソッドはまだ広く採用されていない。
  論文  参考訳（メタデータ） (2024-04-08T17:59:44Z)
• Multi-Head Adapter Routing for Cross-Task Generalization [56.75667096355806]
  ポリトロポンは、事前訓練と少数ショット適応の両方の間、各タスクのアダプタのサブセットを選択するルーティング関数とアダプタのインベントリを学習する。 複数タスクの事前学習において、数ショットの適応よりもルーティングの方が有益であることがわかった。
  論文  参考訳（メタデータ） (2022-11-07T19:35:55Z)
• PsiPhi-Learning: Reinforcement Learning with Demonstrations using Successor Features and Inverse Temporal Difference Learning [102.36450942613091]
  時間差学習(ITD)と呼ばれる逆強化学習アルゴリズムを提案する。 Psi Phi$-learningと呼ばれるデモで強化学習のための新しいアルゴリズムに到達し、オンライン環境の相互作用から学習とITDをシームレスに統合する方法を示します。
  論文  参考訳（メタデータ） (2021-02-24T21:12:09Z)

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。