Fugu-MT 論文翻訳(概要): Beyond Skepticism: Evaluating LLMs Pedagogical Intent Reasoning with the Adaptive Pedagogical Vigilance Framework

論文の概要: Beyond Skepticism: Evaluating LLMs Pedagogical Intent Reasoning with the Adaptive Pedagogical Vigilance Framework

arxiv url: http://arxiv.org/abs/2607.01581v1
Date: Thu, 02 Jul 2026 01:26:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-03 19:45:08.632249
Title: Beyond Skepticism: Evaluating LLMs Pedagogical Intent Reasoning with the Adaptive Pedagogical Vigilance Framework
Title（参考訳）: 懐疑論を超えて--適応的ペダゴジカルビジャランスフレームワークによるLLMの教育的インテント推論の評価
Authors: Minghao Chen, Ruihan Zhou, Jiayi Tang, Zihan Xu, Bowen Huang, Yuxin Liu,
Abstract要約: 教育コミュニケーションにおける教育意図を推論する大規模言語モデルの能力については,いまだ検討されていない。我々は,新しい計算形式主義であるtextbfAdaptive Pedagogical Vigilance (APV) フレームワークを提案する。 APVはベイジアン・ペダゴジカル・インテント推論エンジン(PIIE)を介して問題を定式化する
参考スコア（独自算出の注目度）: 18.26798940982428
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The capacity of Large Language Models (LLMs) to reason about pedagogical intent within instructional communication remains underexplored, particularly in educational domains such as translation pedagogy. To address this, we propose the \textbf{Adaptive Pedagogical Vigilance (APV)} framework, a novel computational formalism that reframes communicative vigilance as an adaptive mechanism for optimizing learning through intent inference. APV formalizes the problem via a Bayesian Pedagogical Intent Inference Engine (PIIE), which models how instructors select content to maximize pedagogical utility and how vigilant learners should inversely reason about latent instructional configurations -- encompassing genre, stance, and incentives. We evaluate APV through a three-tier hierarchy: distinguishing instructional genre, reasoning about structured pedagogical setups, and generalizing to authentic educational discourse. Experiments on leading LLMs (e.g., GPT-4o, Claude 3.5) show that APV substantially improves model vigilance. It achieves the strongest discrimination between pedagogical and exposure-based content, correlates highly with human judgments ($r=0.958$), and maintains robust performance on naturalistic data where baseline methods degrade. This work establishes a unified framework for assessing and enhancing LLMs' understanding of pedagogical motives, advancing the development of more reliable AI-assisted learning systems.
Abstract（参考訳）: 大規模言語モデル(LLM)の教育コミュニケーションにおける教育的意図を推論する能力は、特に翻訳教育のような教育分野において、まだ探索されていない。そこで本研究では,意図推論による学習を最適化するための適応的メカニズムとして,コミュニケーション警戒を再構築する新しい計算形式である,<textbf{Adaptive Pedagogical Vigilance(APV)フレームワークを提案する。 APVはベイジアン・ペダゴジカル・インテント推論エンジン(PIIE)を通じて問題を定式化し、教育的ユーティリティを最大化するためにインストラクターがコンテンツを選択する方法と、ジャンル、スタンス、インセンティブを含む、潜伏した教育構成を逆算する方法をモデル化する。我々はAPVを3階層階層の階層で評価し、教育ジャンルを区別し、構造化された教育設定を推論し、真の教育談話に一般化する。先行LLM(例えば、GPT-4o、Claude 3.5)の実験では、APVはモデル警戒を大幅に改善することが示された。教育的な内容と露出に基づく内容の最も強い差別を実現し、人間の判断と高い相関(r=0.958$)を持ち、ベースラインメソッドが劣化する自然主義的なデータ上での堅牢なパフォーマンスを維持している。この研究は、LLMの教育的動機に対する理解を評価・強化するための統一的な枠組みを確立し、より信頼性の高いAI支援学習システムの開発を促進する。

関連論文リスト

Teacher-Guided Policy Optimization for LLM Distillation [90.49982387646861]
Teacher-Guided Policy Optimization (TGPO) は、生徒のロールアウトに条件付き教師予測を活用することで、高密度な方向性誘導を取り入れたオンラインアルゴリズムである。複雑な推論ベンチマークの実験では、TGPOは標準ベースラインを著しく上回り、異なる教師にとって堅牢であることが示されている。
論文参考訳（メタデータ） (2026-05-13T09:20:03Z)
Rewarding How Models Think Pedagogically: Integrating Pedagogical Reasoning and Thinking Rewards for LLMs in Education [6.168298906927059]
大規模言語モデル(LLM)は、インテリジェントなチューリングシステムとしてますます多くデプロイされている。近年,LLM教育者を対象とした強化学習手法が提案されているが,これらの手法は可視応答の最適化にのみ焦点をあてている。 PedagogicalRL-Thinkingは、教育におけるLLMの推論に教育的アライメントを拡張するフレームワークである。
論文参考訳（メタデータ） (2026-01-21T00:58:49Z)
Pedagogical Alignment for Vision-Language-Action Models: A Comprehensive Framework for Data, Architecture, and Evaluation in Education [3.827767386780446]
軽量VLAモデルに教育的アライメントを適用するフレームワークであるtextitPedagogical VLA Frameworkを提案する。物理,化学,生物学,地球科学にまたがる5つの科学実験において,教育的VLAフレームワークを評価した。
論文参考訳（メタデータ） (2026-01-20T11:43:15Z)
VOLD: Reasoning Transfer from LLMs to Vision-Language Models via On-Policy Distillation [67.98620973023709]
VOLDは、テキストのみの教師モデルからVLMの学生モデルに推論機能を移行するためのフレームワークである。 VOLDはベースラインモデルよりも大幅に優れ,最先端技術よりもマージンが向上していることを示す。
論文参考訳（メタデータ） (2025-10-27T16:32:12Z)
EduDial: Constructing a Large-scale Multi-turn Teacher-Student Dialogue Corpus [59.693733170193944]
EduDialは総合的な多ターン教師/学生対話データセットである。 EduDialは345のコアナレッジポイントをカバーし、教師と学生エージェントの対話によって生成された34,250の対話セッションで構成されている。
論文参考訳（メタデータ） (2025-10-14T18:18:43Z)
Bringing Pedagogy into Focus: Evaluating Virtual Teaching Assistants' Question-Answering in Asynchronous Learning Environments [17.371971971294503]
非同期学習環境(ALE)は、形式的および非公式な学習に広く採用されているが、タイムリーでパーソナライズされたサポートは限られている。既存の評価は、しばしば表面レベルのメトリクスに依存し、教育理論に十分な基礎が欠如している。本稿では,学習科学に根ざした評価フレームワークを提案し,非同期フォーラム議論に適した評価フレームワークを提案する。
論文参考訳（メタデータ） (2025-09-22T16:15:58Z)
Pedagogy-R1: Pedagogically-Aligned Reasoning Model with Balanced Educational Benchmark [6.024228339466189]
大規模推論モデル(LRM)は、数学やプログラミングのような構造化領域において強い性能を示す。 LRMは教育的コヒーレンスと現実的な教育行動に欠けることが多い。 Pedagogy-R1は、3つのイノベーションを通じて、教室での利用にLRMを適用するフレームワークである。
論文参考訳（メタデータ） (2025-05-24T02:18:35Z)
From Problem-Solving to Teaching Problem-Solving: Aligning LLMs with Pedagogy using Reinforcement Learning [82.50157695987558]
大規模言語モデル(LLM)は教育を変換することができるが、直接質問応答のための最適化はしばしば効果的な教育を損なう。オンライン強化学習(RL)に基づくアライメントフレームワークを提案する。
論文参考訳（メタデータ） (2025-05-21T15:00:07Z)
When LLMs Learn to be Students: The SOEI Framework for Modeling and Evaluating Virtual Student Agents in Educational Interaction [12.070907646464537]
教室シナリオにおける人格対応型仮想学生エージェント(LVSA)の構築と評価のためのSOEIフレームワークを提案する。 LoRAファインチューニングとエキスパートインフォームドプロンプト設計により,5つのLVSAをBig Five特性に基づいて生成する。その結果,(1)LLMをベースとした学生エージェントのための教育的,心理的に基盤とした生成パイプライン,(2)行動リアリズムのためのハイブリッドでスケーラブルな評価フレームワーク,(3)LVSAsの教育的有用性に関する実証的な知見が得られた。
論文参考訳（メタデータ） (2024-10-21T07:18:24Z)

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。