論文の概要: FairTutor: Equity-Aware Pedagogical LLM Routing for Budget-Constrained AI Tutoring

• arxiv url: http://arxiv.org/abs/2606.20713v1
• Date: Tue, 16 Jun 2026 12:55:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 15:50:20.468208
• Title: FairTutor: Equity-Aware Pedagogical LLM Routing for Budget-Constrained AI Tutoring
• Title（参考訳）: FairTutor: 予算制約付きAIチューニングのための等価な教育的LLMルーティング
• Authors: Qingyang Xu,
• Abstract要約: プレミアムAIサービスにアクセスできる学生には、より明確な説明、パーソナライズされたガイダンス、そして無料または低価格のサービスに制限された学生よりも優れた足場を提供することができる。 本研究では,FairTutorを提案する。FairTutorは,多エージェントオーケストレーションによる費用対効果の高いAI学習を実現する。 アクセス層AI教育(AIED)アドバンテージギャップを導入し、プレミアムアクセスと予算制約付きチュータの質差を測定するとともに、数学、読み書き、科学、言語学習のベンチマークであるTutorAccessEvalを導入する。
• 参考スコア（独自算出の注目度）: 1.6515283355197958
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative AI tutors provide real-time, personalized learning support, but also create a new education inequity: students with access to premium AI services may receive clearer explanations, more personalized guidance, and better scaffolding than students limited to free or low-cost services. To address this challenge, we propose FairTutor, an equity-aware model-routing framework that achieves cost-effective AI tutoring via pedagogically motivated multi-agent orchestration. FairTutor combines query analysis, pedagogical planning, low-cost model generation, evaluator-guided critique and revision, and selective escalation to premium AI models. We introduce access-tier AI Education (AIED) Advantage Gap to measure the quality difference between premium-access and budget-constrained tutoring, and TutorAccessEval, a benchmark spanning math, reading, writing, science, and language learning. Empirical evaluations show that FairTutor achieves 97.1% of premium pedagogical quality (in floor-adjusted Likert scale) while reducing serving cost by 71.6%. Sensitivity analysis reveals a tunable cost--quality Pareto frontier, enabling FairTutor to be tailored to the needs of diverse student populations.
• Abstract（参考訳）: 高品質なAIサービスにアクセスする学生は、より明確な説明を受けることができ、パーソナライズされたガイダンスが得られ、無料または低価格のサービスに限られる学生よりも足場が良くなる。 この課題に対処するため、我々はFairTutorを提案する。FairTutorは、多エージェントオーケストレーションによるコスト効率のよいAIチューターを実現する、エクイティ対応のモデルルーティングフレームワークである。 FairTutorは、クエリ分析、教育計画、低コストモデル生成、評価者による批判と修正、プレミアムAIモデルへの選択エスカレーションを組み合わせたものだ。 アクセス層AI教育(AIED)アドバンテージギャップを導入し、プレミアムアクセスと予算制約付きチュータの質差を測定するとともに、数学、読み書き、科学、言語学習のベンチマークであるTutorAccessEvalを導入する。 実証的な評価では、FairTutorは97.1%の高級な教育的品質(フロア調整されたLikertスケール)を達成し、サービスコストを71.6%削減している。 感性分析は、様々な学生のニーズに合わせてFairTutorを調整できる、質の高いパレートフロンティアを調整できることを示している。

関連論文リスト

• OmniOPSD: Rationale-Privileged On-Policy Self-Distillation for Affective Computing [62.62736813348113]
  大規模言語モデルの強化学習は、複雑な推論タスクにおいて深刻な報酬の分散によって妨げられることが多い。 我々は,フロンティア生成論理を教師側の特権的証拠として利用するフレームワークであるOmniOPSDを提案する。 MER-UniBenchの実験では、OmniOPSDは平均スコアが84.19ドルで最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2026-06-14T16:51:22Z)
• CATArena: Evaluation of LLM Agents through Iterative Tournament Competitions [49.02422075498554]
  大言語モデル(LLM)エージェントは、基本的なテキスト生成から、外部ツールとのインタラクションを通じて、複雑なタスクを自律的に完了するまで進化してきた。 本研究では,人間レベルインテリジェンスに向けたエージェント進化のコアドライバとして,自己改善とピアラーニングの両方を含む学習能力の重要性を強調した。 本稿では,反復的かつ競合的なピアラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-30T15:22:53Z)
• Learning to Lead: Incentivizing Strategic Agents in the Dark [50.93875404941184]
  一般化プリンシパルエージェントモデルのオンライン学習バージョンについて検討する。 この挑戦的な設定のための最初の証明可能なサンプル効率アルゴリズムを開発した。 我々は、プリンシパルの最適ポリシーを学ぶために、ほぼ最適な $tildeO(sqrtT) $ regret bound を確立する。
  論文  参考訳（メタデータ） (2025-06-10T04:25:04Z)
• TutorGym: A Testbed for Evaluating AI Agents as Tutors and Students [0.283600654802951]
  TutorGymは、人工知能(AI)エージェントを既存の知的チューリングシステム(ITS)内でテストするための標準インターフェースである。 問題解決の各ステップでは、AIエージェントが教師や学習者として何をするかを尋ねられる。 学生として、エージェントはITS命令から直接学習し、その誤りや学習軌跡を学生データと比較することができる。
  論文  参考訳（メタデータ） (2025-05-02T20:03:21Z)
• MathTutorBench: A Benchmark for Measuring Open-ended Pedagogical Capabilities of LLM Tutors [82.91830877219822]
  我々は、総合的なチューリングモデル評価のためのオープンソースのベンチマークであるMathTutorBenchを紹介する。 MathTutorBenchには、ダイアログベースの教育における科学の研究によって定義された、家庭教師の能力をカバーするデータセットとメトリクスが含まれている。 閉鎖的およびオープンウェイトなモデルの幅広いセットを評価し、問題解決能力によって示される課題の専門知識が、すぐには良い教育に変換されないことを発見した。
  論文  参考訳（メタデータ） (2025-02-26T08:43:47Z)
• Tutor CoPilot: A Human-AI Approach for Scaling Real-Time Expertise [1.4178604828146382]
  Tutor CoPilotは、エキスパート思考のモデルを活用した、新しいヒューマンAIアプローチである。 本研究は,実地学習におけるヒューマンAIシステムのランダム化制御試験としては初めてである。
  論文  参考訳（メタデータ） (2024-10-03T21:58:39Z)
• Reinforcement Learning Tutor Better Supported Lower Performers in a Math Task [32.6507926764587]
  強化学習は、開発コストを削減し、インテリジェントな学習ソフトウェアの有効性を向上させるための重要なツールとなり得る。 本研究では, 深層強化学習を用いて, 音量の概念を学習する学生に適応的な教育支援を行うことができることを示す。
  論文  参考訳（メタデータ） (2023-04-11T02:11:24Z)
• Modelling Assessment Rubrics through Bayesian Networks: a Pragmatic Approach [40.06500618820166]
  本稿では,学習者モデルを直接評価ルーリックから導出する手法を提案する。 本稿では,コンピュータ思考のスキルをテストするために開発された活動の人的評価を自動化するために,この手法を適用する方法について述べる。
  論文  参考訳（メタデータ） (2022-09-07T10:09:12Z)

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。