論文の概要: From Execution to Education: A Bloom-Aligned Framework for Measuring Educational Control in LLMs

• arxiv url: http://arxiv.org/abs/2607.08009v1
• Date: Thu, 09 Jul 2026 00:27:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.37385
• Title: From Execution to Education: A Bloom-Aligned Framework for Measuring Educational Control in LLMs
• Title（参考訳）: 実践から教育へ:LLMにおける教育制御測定のためのブルーム対応フレームワーク
• Abstract要約: 大規模言語モデル(LLM)における教育制御を計測するためのブルーム・アラインメント・フレームワークを提案する。 我々は,この枠組みをコンピュータサイエンス教育におけるプログラミングタスクに適用し,課題の解決と学習者への適応のギャップを研究する。
• 参考スコア（独自算出の注目度）: 6.489806558829269
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a Bloom-aligned framework for measuring educational control in Large Language Models (LLMs): the ability to preserve a task's instructional intent while shifting its cognitive demand toward specified learning objectives. We apply this framework to programming tasks in computer science education to study the gap between solving tasks and adapting them for learners. Using revised Bloom's Taxonomy as an operational scale of cognitive demand, we evaluate two intervention settings: general difficulty control, where models are asked to make tasks harder or easier, and Bloom's control, where models are asked to target higher or lower Bloom's levels. We evaluate a matched Qwen3-Next model pair, comparing Qwen3-Next-80B-A3B-Instruct with Qwen3-Coder-Next across 2,520 tasks from three benchmarks. The framework reveals a robust directional asymmetry: both models reliably increase cognitive demand, but struggle to lower it. We further characterize these outcomes with semantic-delta clustering and layer-wise Fisher's Discriminant Ratio probing. Within this controlled comparison, the general model shows clearer middle-layer separability for both general difficulty and Bloom-control contrasts, whereas the coder model shows weaker separability for general difficulty and a deeper peak for Bloom-control contrasts. These results show that strong execution performance does not automatically entail Bloom-aligned educational control.
• Abstract（参考訳）: 本研究では,大規模言語モデル (LLM) における教育制御を測定するためのブルーム・アラインメント・フレームワークを提案する。 本稿では,この枠組みをコンピュータサイエンス教育におけるプログラミングタスクに適用し,課題の解決と学習者への適応のギャップについて検討する。 改訂されたブルームの分類を認知的要求の運用規模として用いて、一般的な難易度制御(英語版)と、ブルームの制御(英語版)(英語版)(英語版)(英語版)(英語版)(英語版))の2つの介入設定を評価する。 一致したQwen3-Nextモデルペアを評価し,Qwen3-Next-80B-A3B-InstructとQwen3-Coder-Nextを比較した。 どちらのモデルも認知的需要を確実に増加させるが、それを減らすのに苦労する。 さらに,これらの結果をセマンティックデルタクラスタリングと階層ワイドフィッシャーの判別比探索によって特徴付ける。 この制御された比較では、一般的な難易度とブルーム制御の両コントラストの中間層分離性がより明確であるのに対し、コーダモデルは一般的な難易度とブルーム制御のコントラストのより深いピークを示す。 これらの結果から,強い実行性能はブルーム・アラインな教育制御を自動的に必要としないことが明らかとなった。

関連論文リスト

• RankLLM: Weighted Ranking of LLMs by Quantifying Question Difficulty [102.02839046225468]
  RankLLMは質問の難しさとモデルの能力の両方を定量化する新しいフレームワークである。 複数のドメインにまたがる35,550の質問に対して30のモデルを評価する。
  論文  参考訳（メタデータ） (2026-02-12T21:28:46Z)
• Light-IF: Endowing LLMs with Generalizable Reasoning via Preview and Self-Checking for Complex Instruction Following [10.119219532863767]
  思考段階の怠慢な推論は 指示の順守に 寄与する主要な要因だ 本稿では,プレビューと自己チェックを含む厳密な推論プロセスを実現するための包括的フレームワークを提案する。 私たちのLight-IF-32Bモデルは、DeepSeek-R1のような大規模なオープンソースモデルと、Doubao-1.6のようなクローズドソースモデルの両方を上回っています。
  論文  参考訳（メタデータ） (2025-08-05T07:42:00Z)
• Bidirectional Awareness Induction in Autoregressive Seq2Seq Models [47.82947878753809]
  双方向認識誘導(BAI)は、ネットワーク内の要素のサブセットであるPivotsを利用して、自己回帰的制約を破ることなく双方向学習を行う訓練手法である。 特に,イメージキャプションでは2.4CIDEr,ニューラルマシン翻訳では4.96BLEU,テキスト要約では1.16ROUGEの増加が確認された。
  論文  参考訳（メタデータ） (2024-08-25T23:46:35Z)
• 4D Contrastive Superflows are Dense 3D Representation Learners [62.433137130087445]
  我々は,LiDARとカメラのペアを連続的に利用して事前学習の目的を確立するための,新しいフレームワークであるSuperFlowを紹介する。 学習効率をさらに向上するため,カメラビューから抽出した知識の整合性を高めるプラグイン・アンド・プレイ・ビュー・一貫性モジュールを組み込んだ。
  論文  参考訳（メタデータ） (2024-07-08T17:59:54Z)
• Towards Spoken Language Understanding via Multi-level Multi-grained Contrastive Learning [50.1035273069458]
  音声言語理解(SLU)はタスク指向対話システムにおける中核的なタスクである。 本稿では,発話レベル,スロットレベル,単語レベルを含む3段階のコントラスト学習を実現するためのマルチレベルMMCLフレームワークを提案する。 本フレームワークは,2つの公開マルチインテリジェントSLUデータセットに対して,最先端の新たな結果を実現する。
  論文  参考訳（メタデータ） (2024-05-31T14:34:23Z)
• Mixture-of-Experts Meets Instruction Tuning:A Winning Combination for Large Language Models [125.91897197446379]
  MoEモデルは高密度モデルよりも命令チューニングの恩恵を受ける。 我々の最も強力なモデルであるFLAN-MOE-32Bは、4つのベンチマークタスクにおけるFLAN-PALM-62Bの性能を上回る。
  論文  参考訳（メタデータ） (2023-05-24T04:22:26Z)
• Toward Open-domain Slot Filling via Self-supervised Co-training [2.7178968279054936]
  スロットフィリングは現代の会話システムにおいて重要なタスクの1つである。 本研究では,SCotと呼ばれる自己教師付き協調学習フレームワークを提案する。 評価の結果,SCotはSGDおよびMultiWoZデータセットで45.57%,37.56%,最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-03-24T04:51:22Z)
• elBERto: Self-supervised Commonsense Learning for Question Answering [131.51059870970616]
  本稿では、市販QAモデルアーキテクチャと互換性のあるコモンセンスフレームワークの自己教師型双方向表現学習を提案する。 このフレームワークは5つの自己教師型タスクから構成されており、リッチコモンセンスを含むコンテキストから追加のトレーニング信号を完全に活用するようモデルに強制する。 elBERtoは、単純な語彙的類似性比較が役に立たないような、アウト・オブ・パラグラフや非エフェクトな問題に対して、大幅に改善されている。
  論文  参考訳（メタデータ） (2022-03-17T16:23:45Z)
• BloomNet: A Robust Transformer based model for Bloom's Learning Outcome Classification [2.8014992300800103]
  ブルーム分類学(Bloom taxonomy)は、学習目標を認知、感情、精神運動の3つのレベルに分類するパラダイムである。 コース学習結果(CLO)を分類するために,言語情報と意味情報をキャプチャする,BloomNetというトランスフォーマーベースモデルを提案する。
  論文  参考訳（メタデータ） (2021-08-16T17:31:44Z)
• Solving Inefficiency of Self-supervised Representation Learning [87.30876679780532]
  既存のコントラスト学習法は、非常に低い学習効率に苦しむ。 アンダークラスタリングとオーバークラスタリングの問題は、学習効率の大きな障害である。 中央三重項損失を用いた新しい自己監督学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-18T07:47:10Z)

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。