論文の概要: Curiosity as Linguistic Intervention: Using LLM Tutoring Dialogues to Influence Exploratory Learning Behavior

• arxiv url: http://arxiv.org/abs/2606.22349v1
• Date: Sun, 21 Jun 2026 05:58:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 18:50:02.983481
• Title: Curiosity as Linguistic Intervention: Using LLM Tutoring Dialogues to Influence Exploratory Learning Behavior
• Title（参考訳）: 言語介入としての好奇心--LLMチューニング対話を用いた探索学習行動への影響
• Authors: Gevindu Ganganath, Pasindu Bolonghege, Qianru Lyu, Pradeep Varakantham, Thivya Kandappu,
• Abstract要約: CURIOBOTはBerlyneのコリレーティブ変数、新規性、複雑性、コンフリクト、不確実性を運用するフレームワークである。 好奇心を重視した介入が探索学習者の行動を継続的に増加させることを示す。
• 参考スコア（独自算出の注目度）: 19.94915852275617
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large Language Models (LLMs) provide a new opportunity to study how language shapes exploratory cognition because conversational strategies can be systematically manipulated at inference time. We introduce CURIOBOT, a framework that operationalizes Berlyne's collative variables, novelty, complexity, conflict, and uncertainty, as adaptive linguistic interventions for conversational tutoring. Across 270 tutoring conversations spanning multiple model families, domains, and topic complexity levels, curiosity-oriented interventions consistently increased exploratory learner behaviors, producing up to 2.4x more conversational turns under fixed time budgets. To measure these effects, we further introduce a learner-centered evaluation framework capturing exploratory questioning, conversational agency, productive struggle, and observable curiosity. Learner-side gains persisted even when tutor-side instructional quality remained unchanged, suggesting that curiosity functions as a partially independent interaction-level mechanism. More broadly, our results demonstrate that LLM-mediated dialogue can serve as a scalable experimental framework for studying how language shapes exploratory learning behavior.
• Abstract（参考訳）: 大規模言語モデル(LLM)は,対話戦略を推論時に体系的に操作できるため,言語がどのように探索的認知を形作るかを研究する新たな機会を提供する。 本稿では,会話学習のための適応型言語介入として,Berlyneのコリティブ変数,新規性,複雑性,対立,不確実性を運用するフレームワークであるCURIOBOTを紹介する。 複数のモデルファミリー、ドメイン、トピックの複雑さレベルにまたがる270以上の学習会話では、好奇心を重視した介入が探索的学習者の振る舞いを継続的に増加させ、固定時間予算下では最大2.4倍の会話ターンを発生させた。 これらの効果を測定するために、探索的質問、会話代理店、生産的闘争、観察可能な好奇心を捉えた学習者中心評価フレームワークを導入する。 学習者側の利得は、教師側の指導的品質が変わらない場合でも持続し、好奇心が部分的に独立した相互作用レベルメカニズムとして機能することが示唆された。 より広範に,LLMを用いた対話は,言語が探索学習行動をどのように形作るかを研究するための,スケーラブルな実験フレームワークとして機能することを示す。

関連論文リスト

• Agentic Conversational Search with Contextualized Reasoning via Reinforcement Learning [66.52010873968383]
  本稿では,RL学習を通じて学習した探索的,適応的な行動を可能にする,交互に探索と推論をインターリーブする対話エージェントを提案する。 広く使われている4つの対話型ベンチマークによる実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-01-19T14:55:54Z)
• IntrEx: A Dataset for Modeling Engagement in Educational Conversations [7.526860155587907]
  IntrExは、教師と学生の交流における興味と期待される興味を示す最初の大きなデータセットである。 我々は、100以上の第二言語学習者による厳密なアノテーションプロセスを採用している。 大規模言語モデル(LLM)が人間の興味ある判断を予測できるかどうかを検討する。
  論文  参考訳（メタデータ） (2025-09-08T13:07:35Z)
• UniConv: Unifying Retrieval and Response Generation for Large Language Models in Conversations [71.79210031338464]
  会話における大規模言語モデルに対する高密度検索と応答生成の統一方法を示す。 目的の異なる共同微調整を行い、不整合リスクを低減するための2つのメカニズムを設計する。 5つの対話型検索データセットの評価は、我々の統合モデルがタスクを相互に改善し、既存のベースラインより優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-09T17:02:40Z)
• Towards Harnessing Large Language Models for Comprehension of Conversational Grounding [1.8434042562191812]
  本研究では,対話を分類する際の大規模言語モデルの能力について,明示的あるいは暗黙的な接地と,接地された知識要素の予測に関する考察を行った。 実験の結果,2つの課題において大きな言語モデルが直面する課題が明らかになった。 これらのイニシアチブは、会話における基礎知識の複雑さを扱うために、より効果的な対話システムを開発することを目的としている。
  論文  参考訳（メタデータ） (2024-06-03T19:34:39Z)
• Affect Recognition in Conversations Using Large Language Models [9.689990547610664]
  影響認識は人間のコミュニケーションにおいて重要な役割を担っている。 本研究では,会話における人間の影響を認識するための言語モデル(LLM)の能力について検討する。
  論文  参考訳（メタデータ） (2023-09-22T14:11:23Z)
• Interactive Natural Language Processing [67.87925315773924]
  対話型自然言語処理(iNLP)は,NLP分野における新しいパラダイムとして登場した。 本稿では,iNLPの概念の統一的定義と枠組みを提案することから,iNLPに関する包括的調査を行う。
  論文  参考訳（メタデータ） (2023-05-22T17:18:29Z)
• Opportunities and Challenges in Neural Dialog Tutoring [54.07241332881601]
  言語学習のための2つの対話学習データセットを用いて、様々な生成言語モデルを厳密に分析する。 現在のアプローチでは、制約のある学習シナリオでチューリングをモデル化できますが、制約の少ないシナリオではパフォーマンスが悪くなります。 人的品質評価では, モデルと接地木アノテーションの両方が, 同等のチュータリングの点で低い性能を示した。
  論文  参考訳（メタデータ） (2023-01-24T11:00:17Z)
• Structural Pre-training for Dialogue Comprehension [51.215629336320305]
  本稿では,SPIDER, Structure Pre-trained DialoguE Readerについて述べる。 対話のような特徴をシミュレートするために,元のLM目的に加えて,2つの訓練目標を提案する。 広く使われている対話ベンチマークの実験結果から,新たに導入した自己教師型タスクの有効性が検証された。
  論文  参考訳（メタデータ） (2021-05-23T15:16:54Z)
• Learning from Easy to Complex: Adaptive Multi-curricula Learning for Neural Dialogue Generation [40.49175137775255]
  現在の最先端のニューラルダイアログシステムは、主にデータ駆動であり、人為的な応答に基づいて訓練されている。 組織されたカリキュラムの委員会をスケジュールするための適応型多言語学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-02T03:09:28Z)

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。