論文の概要: AI Coaching for Accelerating Human Skill Development with Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2606.25337v1
• Date: Wed, 24 Jun 2026 03:05:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.200053
• Title: AI Coaching for Accelerating Human Skill Development with Reinforcement Learning
• Title（参考訳）: 強化学習による人間スキル開発促進のためのAIコーチング
• Abstract要約: AIのコパイロは、共有制御によって人間のパフォーマンスを大幅に向上させるが、過剰な補助は過度な信頼性とスキルの萎縮を引き起こす。 本稿では,人間の運動能力開発を加速するコーチとして,具体的AIエージェントが果たす役割について考察する。
• 参考スコア（独自算出の注目度）: 13.06179791485747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI copilots can substantially boost human performance through shared control, but excessive assistance can induce over-reliance and skill atrophy. This paper studies how an embodied AI agent can act as a coach that accelerates human motor-skill development. We argue that effective coaching requires strategic scaffolding and stepping back that are aligned with the learner's capability, allowing productive failures that drive learning. We formalize the interactive AI coaching process as a non-cooperative dynamic game in which the learner optimizes task performance while the coach targets the learner's independent competence. Building on this formalism, we develop a reinforcement learning framework combining adaptive shared control with probabilistic models of the coach's causal influence on skill evolution, enabling tractable training of coaching policies. A comprehensive user study (N=33) on first-person-view drone racing shows significant gains in human learning outcomes over state-of-the-art AI coaching baselines.
• Abstract（参考訳）: AIのコパイロは、共有制御によって人間のパフォーマンスを大幅に向上させるが、過剰な補助は過度な信頼性とスキルの萎縮を引き起こす。 本稿では,人間の運動能力開発を加速するコーチとして,具体的AIエージェントが果たす役割について考察する。 効果的なコーチングには、学習者の能力に合わせた戦略的足場と後退が必要であり、学習を促進する生産的な失敗を可能にします。 我々は、対話型AIコーチングプロセスを、学習者がタスクパフォーマンスを最適化し、コーチが学習者の独立した能力をターゲットにする非協調型ダイナミックゲームとして定式化する。 このフォーマリズムを基盤として,適応的共有制御とコーチのスキル進化に対する因果的影響の確率論的モデルを組み合わせた強化学習フレームワークを開発し,コーチングポリシーの抽出可能なトレーニングを可能にした。 一対一のドローンレースに関する総合的なユーザー調査(N=33)は、最先端のAIコーチングベースラインよりも、人間の学習結果が大きく向上したことを示している。

関連論文リスト

• Improving Human-AI Coordination through Online Adversarial Training and Generative Models [32.057874335805685]
  新たな人間に一般化するには、人間の行動の多様性を捉えたデータに関する訓練が必要である。 敵対的トレーニングは、動的データ生成を可能にする有望な方法であり、エージェントが堅牢であることを保証する。 本稿では、事前学習した生成モデルを用いて、有効な協調エージェント政策と敵の訓練をシミュレートし、後悔を最大化する新しい戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-21T21:53:00Z)
• Shared Autonomy for Proximal Teaching [31.70561682131625]
  モータースキルの学習は、パーソナライズされた指導を提供する経験豊富な専門家を必要とすることが多い。 Z-COACHは、解釈可能なタスクサブスキルをターゲットにしたパーソナライズされた指導を提供するための共有自律性を利用する方法である。 ユーザスタディでは、Z-COACHが各学生が最初に行うべきスキルの特定に役立ち、運転時間、行動、スムーズさの全体的な改善につながることを示した。
  論文  参考訳（メタデータ） (2025-02-27T09:14:17Z)
• DanZero+: Dominating the GuanDan Game through Reinforcement Learning [95.90682269990705]
  我々は、GuanDanという、非常に複雑で人気のあるカードゲームのためのAIプログラムを開発した。 私たちはまず、DanZeroという名のAIプログラムをこのゲームのために提案しました。 AIの能力をさらに強化するために、政策に基づく強化学習アルゴリズムをGuanDanに適用する。
  論文  参考訳（メタデータ） (2023-12-05T08:07:32Z)
• Progressively Efficient Learning [58.6490456517954]
  我々はCEIL(Communication-Efficient Interactive Learning)という新しい学習フレームワークを開発した。 CEILは、学習者と教師がより抽象的な意図を交換することで効率的にコミュニケーションする人間のようなパターンの出現につながる。 CEILで訓練されたエージェントは、新しいタスクを素早く習得し、非階層的で階層的な模倣学習を、絶対的な成功率で最大50%、20%上回った。
  論文  参考訳（メタデータ） (2023-10-13T07:52:04Z)
• Assistive Teaching of Motor Control Tasks to Humans [18.537539158464213]
  本稿では,任意の運動制御タスクを学習可能なスキルに分解するAI支援学習アルゴリズムを提案する。 本研究は,スキルを身につけないフルトラジェクトリーを実践するよりも,学生のパフォーマンスを約40%向上させることを示す。
  論文  参考訳（メタデータ） (2022-11-25T10:18:29Z)
• Human Decision Makings on Curriculum Reinforcement Learning with Difficulty Adjustment [52.07473934146584]
  我々は,カリキュラム強化学習結果を,人的意思決定プロセスから学ぶことで,難しすぎず,難しすぎるような望ましいパフォーマンスレベルに導く。 本システムは非常に並列化可能であり,大規模強化学習アプリケーションの訓練が可能となる。 強化学習性能は、人間の所望の難易度と同期してうまく調整できることが示される。
  論文  参考訳（メタデータ） (2022-08-04T23:53:51Z)
• Learning Agile Locomotion via Adversarial Training [59.03007947334165]
  本稿では,四足歩行ロボット(主人公)が他のロボット(敵)を追いかけるのを学習し,後者が逃げることを学習するマルチエージェント学習システムを提案する。 この敵対的なトレーニングプロセスは、アジャイルの振る舞いを促進するだけでなく、退屈な環境設計の努力を効果的に軽減します。 1つの敵のみを使用した以前の作品とは対照的に、異なる逃走戦略を専門とする敵のアンサンブルを訓練することは、主人公がアジリティを習得するために不可欠である。
  論文  参考訳（メタデータ） (2020-08-03T01:20:37Z)
• Learning from Learners: Adapting Reinforcement Learning Agents to be Competitive in a Card Game [71.24825724518847]
  本稿では,競争力のあるマルチプレイヤーカードゲームの現実的な実装を学習・プレイするために,一般的な強化学習アルゴリズムをどのように適用できるかについて検討する。 本研究は,学習エージェントに対して,エージェントが競争力を持つことの学習方法を評価するための特定のトレーニングと検証ルーチンを提案し,それらが相互の演奏スタイルにどのように適応するかを説明する。
  論文  参考訳（メタデータ） (2020-04-08T14:11:05Z)
• Learning Agile Robotic Locomotion Skills by Imitating Animals [72.36395376558984]
  動物の多様でアジャイルな運動スキルを再現することは、ロボット工学における長年の課題である。 そこで本研究では,現実世界の動物を模倣することで,足のロボットがアジャイルな運動能力を学ぶことができる模倣学習システムを提案する。
  論文  参考訳（メタデータ） (2020-04-02T02:56:16Z)

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。