論文の概要: INSIDE the Student's Mind: Jointly Modeling Latent Reasoning and Action in LLM Student Simulators

• arxiv url: http://arxiv.org/abs/2608.10492v2
• Date: Fri, 14 Aug 2026 06:26:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 13:59:16.208589
• Title: INSIDE the Student's Mind: Jointly Modeling Latent Reasoning and Action in LLM Student Simulators
• Title（参考訳）: 学生の心を包含する:LLM学生シミュレータにおける潜在推論と行動の連成モデリング
• Abstract要約: 教育では、チューリングシステムの評価など様々な用途に学生シミュレーションが使われている。 本稿では,学生が学生として行動するだけでなく,学生として考えるように微調整する学生モデリングフレームワークであるInternal STUDENT DIALOGUE(INSIDE)を紹介する。 評価の結果,INSIDEは実学生の行動忠実度,コード生成の整合性,推論アライメントの両面においてシミュレーション忠実度を向上し,モデル間のアライメントが57.9%まで向上した。
• 参考スコア（独自算出の注目度）: 6.963635090918165
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Model (LLM)-based simulators often reproduce observable actions but fail to capture the underlying reasoning behind them. In education, where student simulation is increasingly used for various applications such as evaluating tutoring systems, this gap is especially pronounced. Two students may submit identical submissions for entirely different reasons. We present INTERNAL STUDENT DIALOGUE (INSIDE), a student modeling framework that fine-tunes LLMs not only to act like students but also to think like them. INSIDE generates internal dialogue grounded in Bloom's Taxonomy across cognitive, affective, and action dimensions, and fine-tunes models on paired think traces and actions. We baseline against different prompting frameworks and evaluate on two axes: fidelity of simulated actions and quality of generated internal dialogue. Our evaluations show that INSIDE improves simulation fidelity in both action fidelity, matching code generation of real students, and reasoning alignment, achieving the highest alignment across models up to 57.9%.
• Abstract（参考訳）: LLM(Large Language Model)ベースのシミュレータは、しばしば観測可能なアクションを再現するが、それらの背後にある推論を捉えることができない。 授業システムの評価などの様々な応用に学生シミュレーションがますます使われている教育において、このギャップは特に顕著である。 2人の学生が全く異なる理由で同じ論文を提出することができる。 本稿では,学生が学生として行動するだけでなく,学生として考えるように微調整する学生モデリングフレームワークであるInternal STUDENT DIALOGUE(INSIDE)を紹介する。 INSIDEは、認知、感情、行動の次元をまたいだブルームの分類学に根ざした内的対話を生成し、ペア化された思考の痕跡と行動に関する微調整モデルを生成する。 我々は、異なるプロンプトフレームワークに対してベースラインを置き、シミュレーションされた動作の忠実さと生成された内部対話の品質の2つの軸で評価する。 評価の結果,INSIDEは実学生の行動忠実度,コード生成の整合性,推論アライメントの両面においてシミュレーション忠実度を向上し,モデル間のアライメントが57.9%まで向上した。

関連論文リスト

• SWIM: Student Writing Simulation via Proficiency-Conditioned Generation [54.69949380133243]
  この研究は、言語モデルが学生の文章を現実的にシミュレートし、SWIMを導入することができるかどうかを考察する。 我々は、プロファイルアライメントの尺度として自動エッセイスコアを用いたシミュレーションのプロンプト、教師付き微調整、強化学習手法の評価を行った。 以上の結果から,明示的監督は単独で行うよりもプロファイルアライメントを著しく向上させるが,信頼性の低い筆記法では再現が困難であることが示唆された。
  論文  参考訳（メタデータ） (2026-09-02T23:10:51Z)
• "Act Like a 5th Grader" is Not Enough: Bounding Knowledge in LLM-Based User Simulators [15.029309551125962]
  大規模言語モデル(LLM)は、人間の振る舞いをシミュレートするために使われることが多いが、現実的な認知的制約を示すのに失敗することが多い。 標準的なペルソナは、ほぼ完璧で決定論的性能を示し、発展途上の読者の自然な分散を捉えていない。 我々は,若手読者の限られたワーキングメモリを明示的にモデル化するアーキテクチャフレームワークであるCognitively bounded User Simulator (CBUS)を紹介する。
  論文  参考訳（メタデータ） (2026-08-30T20:44:17Z)
• Who Am I? History-Aware Profiles for Student Simulation in Tutoring Dialogues [42.74448763964845]
  歴史条件付き学生シミュレーションの課題を紹介する。 本研究の目的は,学生の学習履歴の情報を活用することで,生徒の対話を正確に予測することである。 両コンポーネントを強化学習(RL)で訓練し、忠実な学生シミュレーションに最適化されたプロファイルを得る。
  論文  参考訳（メタデータ） (2026-05-28T15:02:51Z)
• Simulating Students or Sycophantic Problem Solving? On Misconception Faithfulness of LLM Simulators [55.617099475539305]
  大規模言語モデル(LLM)は、生徒のような反応を流線型に生成できるため、AI教師や人間教育者のトレーニングや評価のための模擬学生として魅力的である。 しかし、このようなシミュレータは、実際の学生と出力の類似性によって評価され、相互作用中に一貫性のある誤解を持つ学生のように振る舞うかどうかによって評価される。 シミュレーションが誤解駆動の信念状態を維持しているかどうかを判断し、フィードバックが誤解に対処した場合に選択的に更新する。
  論文  参考訳（メタデータ） (2026-05-12T20:55:23Z)
• Simulated Students in Tutoring Dialogues: Substance or Illusion? [45.40380629269521]
  本研究は,学生シミュレーションの課題を定義し,言語的,行動的,認知的な側面にまたがる評価指標のセットを提案し,これらの指標について幅広い学生シミュレーション手法をベンチマークする。 実世界の数学学習対話データセットを実験し、自動評価結果と人的評価結果の両方で、学生シミュレーションの促進戦略が不十分であることを示す。
  論文  参考訳（メタデータ） (2026-01-07T15:44:11Z)
• UCO: A Multi-Turn Interactive Reinforcement Learning Method for Adaptive Teaching with Large Language Models [59.693733170193944]
  大規模言語モデル(LLM)は、教育環境において、回答提供者からインテリジェントな家庭教師へとシフトしている。 最近の強化学習アプローチはこの制限に対処するが、2つの重要な課題に直面している。 これらの課題に対処するために一方向認知最適化法(UCO)を提案する。
  論文  参考訳（メタデータ） (2025-11-12T01:27:02Z)
• SimBench: Benchmarking the Ability of Large Language Models to Simulate Human Behaviors [58.87134689752605]
  我々は,LLMシミュレーションの堅牢で再現可能な科学のための,最初の大規模標準ベンチマークであるSimBenchを紹介する。 現在、最高のLLMでさえシミュレーション能力が限られ(スコア: 40.80/100)、性能はモデルサイズと対数的にスケールする。 シミュレーション能力は、深い知識集約的推論と最も強く相関していることを示す。
  論文  参考訳（メタデータ） (2025-10-20T13:14:38Z)
• Embracing Imperfection: Simulating Students with Diverse Cognitive Levels Using LLM-based Agents [36.704574105201864]
  大規模言語モデル(LLM)は教育に革命をもたらしており、LLMベースのエージェントは学生の振る舞いをシミュレートする上で重要な役割を果たしている。 学生シミュレーションにおける大きな課題は、様々な認知レベルにおける学生の多様な学習パターンをモデル化することである。
  論文  参考訳（メタデータ） (2025-05-26T13:48:49Z)
• If an LLM Were a Character, Would It Know Its Own Story? Evaluating Lifelong Learning in LLMs [55.8331366739144]
  大規模言語モデル(LLM)における生涯学習評価のためのベンチマークであるLIFESTATE-BENCHを紹介する。 我々の事実チェック評価は、パラメトリックと非パラメトリックの両方のアプローチで、モデルの自己認識、エピソードメモリ検索、関係追跡を探索する。
  論文  参考訳（メタデータ） (2025-03-30T16:50:57Z)
• Classroom Simulacra: Building Contextual Student Generative Agents in Online Education for Learning Behavioral Simulation [10.209326669619273]
  N = 60の学生から6週間の教育ワークショップを開催し、カスタマイズされたオンライン教育システムを用いて詳細なデータを収集する。 本稿では,転送可能な反復リフレクション(TIR)モジュールを提案する。
  論文  参考訳（メタデータ） (2025-02-04T23:42:52Z)
• LLM-based Cognitive Models of Students with Misconceptions [55.29525439159345]
  本稿では,この2つの要件を満たすためにLLM(Large Language Models)を命令調整できるかどうかを検討する。 真正な学生ソリューションパターンを反映したデータセットを生成する新しいPythonライブラリであるMalAlgoPyを紹介する。 我々の洞察は、AIに基づく学生モデルの理解を高め、効果的な適応学習システムへの道を開く。
  論文  参考訳（メタデータ） (2024-10-16T06:51:09Z)
• Large Language Models for In-Context Student Modeling: Synthesizing Student's Behavior in Visual Programming [29.65988680948297]
  本研究では,大規模言語モデル(LLM)のオープンエンド学習領域におけるコンテキスト内学習モデルへの応用について検討する。 学生の行動に LLM を利用する新しいフレームワーク LLM for Student Synthesis (LLM-SS) を導入する。 LLM-SSフレームワークに基づいて複数の手法をインスタンス化し、既存のベンチマークであるStudioSynを用いて視覚的プログラミング領域における学生の試行合成を行う。
  論文  参考訳（メタデータ） (2023-10-15T12:56:13Z)

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。