論文の概要: CyberAGENTS: Structured Autonomy for Agentic Gamified Learning in Cybersecurity
- arxiv url: http://arxiv.org/abs/2608.07965v1
- Date: Sat, 08 Aug 2026 06:59:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.588478
- Title: CyberAGENTS: Structured Autonomy for Agentic Gamified Learning in Cybersecurity
- Title（参考訳）: CyberAGENTS:サイバーセキュリティにおけるエージェントゲーミフィケーション学習のための構造化自律性
- Abstract要約: ゲーミフィケーションは、積極的な問題解決と反復的なスキル構築を必要とする領域の学習に特に効果的である。
ジェネレーティブAIエージェントは、このような体験を大規模に適応的に提供するための道筋を提供するが、教育環境に十分に文書化されたリスクを導入する。
本稿では,ゲーミフィケーションサイバーセキュリティ学習のためのエージェントフレームワークであるモデルを提案する。
- 参考スコア（独自算出の注目度）: 9.5902083024001
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gamification is especially effective in learning domains requiring active problem-solving and iterative skill-building, such as cybersecurity education. Generative AI agents offer a path to delivering such experiences adaptively at scale, but introduce well-documented risks in educational settings: inconsistent behavior, hallucinated reasoning, and misalignment with pedagogical frameworks. Grounding these systems in learning science is therefore essential. We present \model, an agentic framework for gamified cybersecurity learning that enables structured autonomy through ontology-guided validation, schema-governed behavioral control, and competency-based progression. The system is organized around a competency-based progression model that structures topics by difficulty and prerequisite relationships, reflecting evidence-based principles of scaffolded instruction. The learning loop is decomposed into four specialized agents: challenge, support, evaluation, and reward, each governed by behavioral schemas that encode operational modes and progression logic, bounding agent autonomy without eliminating generative flexibility. A cybersecurity ontology validates all generated content prior to display, enforcing domain-consistent reasoning and safety constraints. We evaluate CyberAgents through classroom deployment with undergraduate students, complemented by expert evaluations from educators and domain specialists. Results indicate improved engagement, clearer feedback interpretation, and greater learner trust in AI-generated responses when behavioral schemas and ontology validation are active. Preliminary comparisons with an unconstrained configuration further support the role of structured control in stabilizing instructional behavior. These findings offer a blueprint for designing pedagogically grounded agentic gamified learning systems.
- Abstract（参考訳）: ゲーミフィケーションは、サイバーセキュリティ教育のような積極的な問題解決と反復的なスキル構築を必要とする領域の学習に特に効果的である。
生成的AIエージェントは、このようなエクスペリエンスを大規模に適応的に提供するための道筋を提供するが、教育環境では、一貫性のない行動、幻覚的な推論、教育的なフレームワークとの誤った調整など、十分に文書化されたリスクを導入する。
したがって、これらのシステムを学習科学に根ざすことが不可欠である。
本稿では,オントロジーによる検証,スキーマが支配する行動制御,能力に基づく進歩を通じて,構造化された自律性を実現する,ゲーミフィケーションサイバーセキュリティ学習のためのエージェントフレームワークである \model を提案する。
このシステムは、足場教育のエビデンスに基づく原則を反映して、難易度と前提条件の関係によってトピックを構築する能力に基づく進行モデルに基づいて構成されている。
学習ループは4つの特殊エージェントに分解される: チャレンジ、サポート、評価、報酬は、それぞれ、運用モードと進行ロジックをエンコードする行動スキーマによって管理される。
サイバーセキュリティオントロジーは、表示の前に生成されたすべてのコンテンツを検証し、ドメイン一貫性のある推論と安全性の制約を強制する。
学生の教室展開を通じてCyberAgentsを評価し,教育者やドメインスペシャリストの専門的評価を補完する。
その結果、行動スキーマやオントロジー検証がアクティブである場合に、AI生成応答に対するエンゲージメントの向上、より明確なフィードバック解釈、学習者の信頼感の向上が示された。
制約のない構成との予備的な比較は、教育行動の安定化における構造化制御の役割をさらに支持する。
これらの発見は、教育的基盤を持つエージェントゲーミフィケーション学習システムを設計するための青写真を提供する。
関連論文リスト
- From Holistic Evaluation to Structured Criteria: Rubrics Across the Evolving LLM Landscape [79.30826980815927]
ルーブリックは、複雑な品質判断を構造化され、実行可能な標準に変換する明示的な基準セットです。
我々は,既存のルーリックデザインを体系的に整理し,その構築と最適化を検証し,評価と訓練をまたいだ役割を解析する。
論文 参考訳（メタデータ） (2026-06-07T13:34:55Z) - A Survey of Reasoning in Autonomous Driving Systems: Open Challenges and Emerging Paradigms [49.66022971508878]
私たちは、推論はモジュラーコンポーネントからシステムの認知コアに高めるべきだと論じています。
応答性推論のトレードオフやソーシャルゲーム推論など,7つの中核的推論課題を導出し,体系化する。
我々は,LLMに基づく推論と,ミリ秒スケールで安全クリティカルな車両制御の要求との間の,高レイテンシ,熟考的特性の根本的かつ未解決な緊張関係を同定する。
論文 参考訳（メタデータ） (2026-03-11T07:40:53Z) - Agentic AI for Cybersecurity: A Meta-Cognitive Architecture for Governable Autonomy [0.0]
本稿では,サイバーセキュリティのオーケストレーションはエージェント型マルチエージェント認知システムとして再認識されるべきである,と論じる。
本稿では,特定・仮説形成・文脈解釈・説明・ガバナンスに責任を負う異種AIエージェントを,メタ認知判断機能を通じて協調する概念的枠組みを提案する。
我々の貢献は、メタ認知判断を第一級システム機能として組み込むことによって、この認知構造をアーキテクチャ的に明確化し、統制可能にすることである。
論文 参考訳（メタデータ） (2026-02-12T12:52:49Z) - Interpreting Agentic Systems: Beyond Model Explanations to System-Level Accountability [0.6745502291821954]
エージェントシステムは、ゴール指向の振る舞いを持つ自律システムを構築するために、大規模言語モデルをどのように活用するかを変えてきた。
主に静的モデルのために開発された現在の解釈可能性技術は、エージェントシステムに適用する際の制限を示す。
本稿では,エージェントシステムにおける既存の解釈可能性手法の適合性と限界について検討する。
論文 参考訳（メタデータ） (2026-01-23T21:05:32Z) - The Path Ahead for Agentic AI: Challenges and Opportunities [4.52683540940001]
この章では、複雑な環境で自律的に動作するエージェントAIシステムの出現について考察する。
我々は、統計モデルからトランスフォーマーベースのシステムへのアーキテクチャの進歩を辿り、エージェントの振る舞いを可能にする能力を識別する。
既存の調査とは異なり、私たちは、言語理解から自律的な行動へのアーキテクチャの移行に注目し、デプロイ前に解決しなければならない技術的ギャップを強調します。
論文 参考訳（メタデータ） (2026-01-06T06:31:42Z) - From Educational Analytics to AI Governance: Transferable Lessons from Complex Systems Interventions [0.0]
我々は、CAPIRE内で開発された5つのコア原則が、AIシステム管理の課題に直接移行すると主張している。
どちらの領域も非線形性、出現、フィードバックループ、戦略的適応、経路依存を示す。
我々は、これらの原則を規制設計のために運用する統合フレームワークとして、複合システムAIガバナンス(CSAIG)を提案する。
論文 参考訳（メタデータ） (2025-12-15T12:16:57Z) - A cybersecurity AI agent selection and decision support framework [0.0]
本稿では,AIエージェントアーキテクチャ,リアクティブ,認知,ハイブリッド,学習を協調する,新しい構造化された意思決定支援フレームワークを提案する。
エージェント理論と産業ガイドラインを統合することで、このフレームワークは、AIソリューションの選択とデプロイのための透過的で段階的な方法論を提供する。
論文 参考訳（メタデータ） (2025-10-02T07:38:21Z) - A Comprehensive Survey of Self-Evolving AI Agents: A New Paradigm Bridging Foundation Models and Lifelong Agentic Systems [53.37728204835912]
既存のAIシステムは、デプロイ後も静的な手作業による構成に依存している。
近年,インタラクションデータと環境フィードバックに基づいてエージェントシステムを自動拡張するエージェント進化手法が研究されている。
この調査は、自己進化型AIエージェントの体系的な理解を研究者や実践者に提供することを目的としている。
論文 参考訳（メタデータ） (2025-08-10T16:07:32Z) - A Survey of Self-Evolving Agents: On Path to Artificial Super Intelligence [87.08051686357206]
大きな言語モデル(LLM)は強力な能力を示しているが、基本的に静的である。
LLMはますますオープンでインタラクティブな環境にデプロイされているため、この静的な性質は重要なボトルネックとなっている。
この調査は、自己進化エージェントの体系的で包括的なレビューを初めて提供する。
論文 参考訳（メタデータ） (2025-07-28T17:59:05Z) - Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である
本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
論文 参考訳（メタデータ） (2023-12-22T17:57:57Z) - Interpreting Neural Policies with Disentangled Tree Representations [58.769048492254555]
本稿では,コンパクトなニューラルポリシーの解釈可能性について,不整合表現レンズを用いて検討する。
決定木を利用して,ロボット学習における絡み合いの要因を抽出する。
学習したニューラルダイナミクスの絡み合いを計測する解釈可能性指標を導入する。
論文 参考訳（メタデータ） (2022-10-13T01:10:41Z)
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。