論文の概要: Teachy Mini: Development and Preliminary Evaluation of a Knowledge-Based Generative Social Robot for Higher Education

• arxiv url: http://arxiv.org/abs/2607.22345v1
• Date: Fri, 24 Jul 2026 14:24:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.15263
• Title: Teachy Mini: Development and Preliminary Evaluation of a Knowledge-Based Generative Social Robot for Higher Education
• Title（参考訳）: ティーキミニ:高等教育のための知識に基づく生成型社会ロボットの開発と予備的評価
• Authors: Stephan Vonschallen, Karim Kaufmann, Dominique Oberle, Friederike Eyssel, Theresa Schmiedel,
• Abstract要約: 大規模言語モデルを利用した生成型社会ロボット(GSR)は、高等教育におけるパーソナライズされた家庭教師の新たな可能性を提供する。 以前の研究は、知識に基づく設計(KBD)の要件を特定し、GSRが責任と効果的な学習行動を示すための情報的前提条件を定義した。 我々は、システムプロンプト、検索強化生成、ステートフルなプロンプトオーケストレーションにより、Reachy Miniロボットプラットフォームで選択されたKBD要件を運用した。
• 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: Generative social robots (GSRs) powered by large language models offer new possibilities for personalized tutoring in higher education, but also introduce risks related to misinformation, missing transparency, or reinforcing incorrect student responses. Prior work identified knowledge-based design (KBD) requirements that define the informational prerequisites for GSRs to manifest responsible and effective tutoring behavior in higher education. In this paper, we operationalized selected KBD requirements in the Reachy Mini robot platform through system prompting, retrieval-augmented generation, and stateful prompt orchestration. As a result, we present Teachy Mini, a GSR tutoring system that was developed using KBD. To test the system, we conducted a preliminary evaluation study. Participants (N = 24) completed a robot-guided learning session about research methodologies. They learned either with Teachy Mini or with a control version that did not follow KBD principles. Teachy Mini was perceived as significantly more aligned with responsible tutoring behavior than the control robot. Moreover, a manipulation check illustrated that Teachy Mini used personalization, slide-grounded explanations, Socratic questioning, affective support, and learner-anchored feedback more consistently than the control robot. No significant between-condition differences were found in system acceptance, intrinsic motivation, or learning effectiveness, although exploratory analyses suggested a positive effect of KBD on objective learning gains when accounting for learner preferences. Overall, the study offered an initial implementation and preliminary evaluation of KBD for GSR tutoring, indicating that KBD can shape responsible robot behavior and potentially increase learning effectiveness in robot-supported learning.
• Abstract（参考訳）: 大規模言語モデルを利用した生成型社会ロボット(GSR)は、高等教育におけるパーソナライズされた家庭教師の新たな可能性を提供するだけでなく、誤情報、透明性の欠如、誤った学生の反応の強化に関連するリスクも導入する。 以前の研究は知識に基づく設計(KBD)の要件を特定し、GSRが高等教育における責任と効果的な教育行動を示すための情報的前提条件を定義した。 本稿では,システムプロンプト,検索拡張生成,ステートフルなプロンプトオーケストレーションを通じて,Reachy Miniロボットプラットフォームで選択されたKBD要件を運用した。 その結果,KBD を用いた GSR 学習システムである Teachy Mini を提案する。 本システムをテストするため,予備評価試験を行った。 参加者(N=24)は研究方法論に関するロボット誘導学習セッションを完了した。 彼らはTechy Miniで学んだか、KBDの原則に従わなかったコントロールバージョンで学んだ。 Teachy Miniは、制御ロボットよりも、責任ある学習行動にかなり適していると見なされた。 さらに、操作チェックでは、Techy Miniはパーソナライズ、スライドグラウンドの説明、ソクラティックな質問、感情的支援、学習者からのフィードバックを制御ロボットよりも一貫して使用していた。 システム受容,本質的動機づけ,学習効果に有意な差は認められなかったが,探索的分析から,学習者の嗜好を考慮に入れた場合,KBDが客観学習に与える影響が示唆された。 全体として、この研究は、GSR学習のためのKBDの初期実装と予備評価を行い、KBDが責任あるロボットの振る舞いを形作り、ロボット支援学習における学習効果を高める可能性を示唆した。

関連論文リスト

• The Role of Instructional Guidance in Generative AI-Assisted Learning: Empirical Evidence from Construction Engineering Education [2.856083627975759]
  本研究では,建設教育における指導指導が学生とAIの相互作用をどのように形作るかを検討する。 生成学習理論に基づく5段階のプロンプトフレームワークを導入し,学習者のインタラクションをガイドする。
  論文  参考訳（メタデータ） (2026-06-03T23:27:46Z)
• An Experience Report on a Pedagogically Controlled, Curriculum-Constrained AI Tutor for SE Education [4.976713294177978]
  本稿では、RockStartITイニシアチブ内のデジタルプログラミングおよび計算思考コース用に開発されたAIアシスタントであるRockStartIT Tutorの設計とパイロット評価について述べる。 GPT-4をOpenAIのAssistant API経由で提供するこのチューターは、新しいプロンプト戦略と、コンテキスト認識、パーソナライズ、カリキュラムに制約されたサポートを中学生に提供するために、モジュール化されたセマンティックタグ付きナレッジベースを採用している。
  論文  参考訳（メタデータ） (2025-12-08T12:54:37Z)
• Robots and Children that Learn Together : Improving Knowledge Retention by Teaching Peer-Like Interactive Robots [41.94295877935867]
  本研究では,対話型強化学習(Interactive Reinforcement Learning)を,教示可能な社会ロボットの認知モデルとして紹介する。 LbT状態の小児は自己実践状態の児に比べて保持率が高くなった。 本研究は,(1)ピアロボット学習の教育的効果的でスケーラブルなモデルとしてインタラクティブRLを導入し,(2)実教室で複数の自律ロボットを同時に展開する可能性を示した。
  論文  参考訳（メタデータ） (2025-06-23T07:51:04Z)
• AI instructional agent improves student's perceived learner control and learning outcome: empirical evidence from a randomized controlled trial [29.45751702212421]
  本研究は,教科を主教科とする中等教育課程において,AI指導エージェントが生徒の認知的学習者制御と学業成績に与える影響について検討した。 AI指導エージェントグループの学生は、他のグループに比べて学習者のコントロールが有意に高いことを報告した。
  論文  参考訳（メタデータ） (2025-05-28T16:13:27Z)
• A Zero-Shot LLM Framework for Automatic Assignment Grading in Higher Education [0.6141800972050401]
  ゼロショット大言語モデル(LLM)に基づく自動アサインメントグレーディング(AAG)システムを提案する。 このフレームワークはプロンプトエンジニアリングを利用して、追加のトレーニングや微調整を必要とせず、計算と説明の両方の学生の反応を評価する。 AAGシステムは、個々の強みと改善の領域を強調した調整されたフィードバックを提供し、それによって学生の学習結果を向上する。
  論文  参考訳（メタデータ） (2025-01-24T08:01:41Z)
• Empowering Private Tutoring by Chaining Large Language Models [87.76985829144834]
  本研究は,最先端の大規模言語モデル(LLM)を活用した,本格的な知的チューリングシステムの開発を探求する。 このシステムは、相互に接続された3つのコアプロセス(相互作用、反射、反応)に分けられる。 各プロセスは LLM ベースのツールと動的に更新されたメモリモジュールによって実装される。
  論文  参考訳（メタデータ） (2023-09-15T02:42:03Z)
• Stabilizing Contrastive RL: Techniques for Robotic Goal Reaching from Offline Data [96.5899286619008]
  自己指導型学習は、制御戦略を学ぶのに必要な人間のアノテーションとエンジニアリングの労力を減らす可能性がある。 我々の研究は、強化学習(RL)自体が自己監督的な問題であることを示す先行研究に基づいている。 コントラスト学習に基づく自己教師付きRLアルゴリズムは,実世界の画像に基づくロボット操作タスクを解くことができることを示す。
  論文  参考訳（メタデータ） (2023-06-06T01:36:56Z)
• Modelling Assessment Rubrics through Bayesian Networks: a Pragmatic Approach [40.06500618820166]
  本稿では,学習者モデルを直接評価ルーリックから導出する手法を提案する。 本稿では,コンピュータ思考のスキルをテストするために開発された活動の人的評価を自動化するために,この手法を適用する方法について述べる。
  論文  参考訳（メタデータ） (2022-09-07T10:09:12Z)
• Don't Start From Scratch: Leveraging Prior Data to Automate Robotic Reinforcement Learning [70.70104870417784]
  強化学習(RL)アルゴリズムは、ロボットシステムの自律的なスキル獲得を可能にするという約束を持っている。 現実のロボットRLは、通常、環境をリセットするためにデータ収集と頻繁な人間の介入を必要とする。 本研究では,従来のタスクから収集した多様なオフラインデータセットを効果的に活用することで,これらの課題にどのように対処できるかを検討する。
  論文  参考訳（メタデータ） (2022-07-11T08:31:22Z)

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。