論文の概要: Learning Engagement Assistant (LEA): Cross-Course Scalability and Classroom Evaluation of an Agentic AI Tutoring System
- arxiv url: http://arxiv.org/abs/2607.13370v1
- Date: Wed, 15 Jul 2026 01:25:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.618812
- Title: Learning Engagement Assistant (LEA): Cross-Course Scalability and Classroom Evaluation of an Agentic AI Tutoring System
- Title（参考訳）: 学習エンゲージメントアシスタント(LEA):エージェントAIチューニングシステムのクロスコーススケーラビリティとクラスルーム評価
- Authors: Teri Rumble, Javad Zarrin, P. George Lovell, Ruth Falconer,
- Abstract要約: LEA(Learning Engagement Assistant)を導入したICAART 2026で発表された論文の拡張である。
LEAは、コース固有のRetrieval-Augmented Generation(RAG)と構造化知識コンポーネント(KC)モデルを統合Chat、Tutor、Quizモードで組み合わせた適応AI学習エージェントである。
本報告では,LEAを実際の学生に導入した最初の教室と,その横断的拡張性に関する実証実験を報告する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper is an extension of a paper presented at the ICAART 2026 conference, which introduced LEA (Learning Engagement Assistant), an adaptive AI tutoring agent combining course-specific Retrieval-Augmented Generation (RAG) with structured Knowledge Component (KC) models across integrated Chat, Tutor, and Quiz modes. That prior work validated LEA on a single STEM course (CMP511) exclusively through simulation, using synthetic learner agents. This paper extends that work by reporting the first classroom deployment of LEA with real students (n = 8, CMP511) and the first empirical test of its cross-course scalability, deploying the system across three courses spanning two academic levels and two disciplinary domains. The study reveals a divergence from simulation predictions across modes, showing that synthetic evaluation alone cannot anticipate all aspects of real deployment. A RAGAS-based cross-course scalability evaluation (660 questions) finds Answer Relevancy and Context Precision broadly stable across courses (0.88-0.94 and 0.88-0.90 respectively), while Faithfulness declines with curriculum distance from the system's original course (0.69 to 0.50), a preliminary finding that may reflect generation logic tuned to the system's original subject rather than a scalability limitation. These findings suggest that while the orchestration layer requires no modification, full course-agnosticism of all downstream components requires further investigation.
- Abstract（参考訳）: 本稿では,ラーニング・エンゲージメント・アシスタント(Learning Engagement Assistant, LEA)を導入したICAART 2026カンファレンスで発表された論文の拡張である。これは,コース固有のRetrieval-Augmented Generation(RAG)と,Chat,Tutor,Quizモードを統合した構造化知識コンポーネント(KC)モデルを組み合わせた適応型AI学習エージェントである。
その先行研究は、合成学習エージェントを用いて、シミュレーションによって単一のSTEMコース(CMP511)上でLEAを検証する。
本稿では,実際の学生(n = 8, CMP511)によるLEAの教室展開と,その横断的拡張性に関する実証実験を報告し,2つの学術レベルと2つのディシプリナドメインにまたがる3つのコースにシステムを展開した。
この研究は、シミュレーション予測からモード間でのばらつきを明らかにし、合成評価だけでは実際の展開のあらゆる側面を予測できないことを示した。
RAGASベースのクロスコーススケーラビリティ評価(660の質問)では、解答関連性とコンテキスト精度が幅広いコース(0.88-0.94と0.88-0.90)で安定しているのに対し、Fithfulnessはシステムの本来のコース(0.69と0.50)からカリキュラム距離で減少している。
これらの結果は、オーケストレーション層は変更を必要としないが、下流のすべてのコンポーネントの完全なコース認識にはさらなる調査が必要であることを示唆している。
関連論文リスト
- Theory-Scale Auto-Formalization of Logics for Computer Science [36.45195518081978]
LCS-Bench は Logics for Computer Science に基づく理論スケールのベンチマークである。
アーティファクトには327の教科書項目,4,076以上のリーン宣言,85万行以上のリーンコードが含まれています。
LCS-Benchは高品質で一貫性があり、忠実であることを示す。
論文 参考訳（メタデータ） (2026-06-25T01:59:53Z) - Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
マルチモーダル学習は、しばしば低品質データの課題に悩まされる。
コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。
私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
論文 参考訳（メタデータ） (2026-05-05T14:48:52Z) - Enhancing Science Classroom Discourse Analysis through Joint Multi-Task Learning for Reasoning-Component Classification [0.03499870393443267]
本稿では,教師と生徒の発話を共同で分類する自動談話分析システム(ADAS)を提案する。
また、UTxRC共起プロファイリング、セッションごとの認知複雑度指数(CCI)、ラグシーケンス分析、IRF連鎖解析などの談話パターン解析も行った。
論文 参考訳（メタデータ） (2026-04-22T22:56:53Z) - AI Mental Models: Learned Intuition and Deliberation in a Bounded Neural Architecture [0.0]
本稿では,有界なニューラルアーキテクチャが,シロジカル推論ベンチマーク上での直観と熟考の間に有意義な分断を生じさせるかどうかを問う。
実験1では、5倍のクロスバリデーションの下で、完全な9方向の人間の応答分布を予測するための直接神経ベースラインを評価した。
実験2では、計算的精神モデル理論に動機づけられた、直観と熟考の別々の経路を持つ有界なデュアルパスアーキテクチャを導入する。
論文 参考訳（メタデータ） (2026-03-23T20:44:38Z) - Recursive Knowledge Synthesis for Multi-LLM Systems: Stability Analysis and Tri-Agent Audit Framework [0.0]
本稿では,大規模言語システムにおける安定性と説明可能性を分析するための三段階クロスバリデーションフレームワークを提案する。
このアーキテクチャは、セマンティックジェネレーション、分析整合性チェック、透明性監査に使用される3つの異種LCMを統合している。
論文 参考訳（メタデータ） (2025-12-17T16:42:45Z) - Modern Deep Learning Approaches for Cricket Shot Classification: A Comprehensive Baseline Study [0.0]
本稿では,クリケットショット分類における7つの異なる深層学習手法を比較した,最初の総合的ベースライン研究を提案する。
我々は,従来のCNN-LSTMアーキテクチャ,アテンションベースモデル,ビジョントランスフォーマー,トランスファーラーニングアプローチ,モダンなEfficientNet-GRUの組み合わせを実装し,評価する。
我々の最新のSOTAアプローチは、効率の良いNet-B0とGRUベースの時間モデルを組み合わせることで、92.25%の精度を実現している。
論文 参考訳（メタデータ） (2025-10-10T09:32:29Z) - MM-HELIX: Boosting Multimodal Long-Chain Reflective Reasoning with Holistic Platform and Adaptive Hybrid Policy Optimization [103.74675519953898]
ロングチェーンのリフレクティブ推論は、複雑な現実世界の問題を解決するための前提条件である。
我々は42の難解な合成タスクの1,260のサンプルからなるベンチマークを構築した。
トレーニング後のデータを生成し、そのようなデータを活用するための学習パラダイムを探索する。
論文 参考訳（メタデータ） (2025-10-09T17:53:58Z) - SEEA-R1: Tree-Structured Reinforcement Fine-Tuning for Self-Evolving Embodied Agents [58.174206358223415]
自己進化型エボダイドエージェント(SeEA-R1)は、自己進化型エボダイドエージェント用に設計された最初の強化微細調整フレームワークである。
本研究は,SEEA-R1が自律適応と報酬駆動型自己進化をサポートすることを示す。
論文 参考訳（メタデータ） (2025-06-26T18:00:07Z) - ESGenius: Benchmarking LLMs on Environmental, Social, and Governance (ESG) and Sustainability Knowledge [40.49917730563565]
ESGeniusは、環境、社会、ガバナンス(ESG)における大規模言語モデル(LLM)の熟練度の評価と向上のための総合的なベンチマークである。
ESGenius-QA (i) ESGenius-QA (i) ESGenius-QA (i) esGenius-QA (i) esGenius-QA (i) esGenius-QA (i) esGenius-QA (i) esGenius-QA (i) esGenius-QA (i) esGenius-Corpus (i) ESGenius-Corpus (i) ESGenius-Corpusは231の基本的なフレームワーク、標準、レポート、レコメンデーションドキュメントを、7つの権威あるソースから収集した。
論文 参考訳（メタデータ） (2025-06-02T13:19:09Z) - Hierarchical Decomposition of Prompt-Based Continual Learning:
Rethinking Obscured Sub-optimality [55.88910947643436]
大量のラベルのないデータを実際に扱うためには、自己教師付き事前トレーニングが不可欠である。
HiDe-Promptは、タスク固有のプロンプトと統計のアンサンブルで階層的なコンポーネントを明示的に最適化する革新的なアプローチである。
実験では,HiDe-Promptの優れた性能と,継続学習における事前学習パラダイムへの頑健さを実証した。
論文 参考訳（メタデータ） (2023-10-11T06:51:46Z)
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。