論文の概要: Towards Sustainable Learning in Online Education: A Reinforcement Learning Approach

• arxiv url: http://arxiv.org/abs/2608.11245v1
• Date: Sun, 02 Aug 2026 19:25:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 01:32:04.595473
• Title: Towards Sustainable Learning in Online Education: A Reinforcement Learning Approach
• Title（参考訳）: オンライン教育における持続的学習を目指して : 強化学習アプローチ
• Authors: Chaofan Zhai, Yicheng Song, Ravi Bapna, Junyao Ye,
• Abstract要約: 持続可能な学習を促進するために設計された強化学習ベースのモデルであるAI Tutorを紹介する。 短期的には、AI-Tutorは認知理論に基づいて、新しい知識の獲得と事前学習の強化のバランスを通じて学習者を導く。 長期的には、学習者のエンゲージメントをモデル化し、モチベーションを維持し、ドロップアウトを減らす戦略を伝える。
• 参考スコア（独自算出の注目度）: 0.9332987715848716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Online education offers unprecedented scalability and accessibility to global learners from diverse backgrounds, but it often suffers from low engagement and poor long term learning effectiveness. To address these challenges, we introduce AI Tutor, a reinforcement learning based model designed to promote sustainable learning by optimizing both short and longterm learning outcomes. In the short term, AI-Tutor draws on cognitive theory to guide learners through a balance of acquiring new knowledge and reinforcing prior learning. In the long term, it models learner engagement to inform strategies that sustain motivation and reduce dropout. These enhancements enable AI-Tutor to provide personalized guidance that fosters both effective learning and sustained participation. Empirical evaluations on 23 million learning records from 33,700 learners show that AI Tutor consistently outperforms state-of-the-art baselines across engagement, knowledge retention, and final learning outcomes. Learning path analyses further reveal how AI-Tutor adapts its strategies to learners with diverse profiles, offering adaptive and human-centered support.
• Abstract（参考訳）: オンライン教育は、様々な背景から世界の学習者に前例のないスケーラビリティとアクセシビリティを提供するが、エンゲージメントの低下と長期学習の有効性の低下に悩まされることが多い。 これらの課題に対処するために,短期学習と長期学習の両方を最適化することにより,持続可能な学習を促進するために設計された強化学習ベースモデルであるAI Tutorを紹介する。 短期的には、AI-Tutorは認知理論に基づいて、新しい知識の獲得と事前学習の強化のバランスを通じて学習者を導く。 長期的には、学習者のエンゲージメントをモデル化し、モチベーションを維持し、ドロップアウトを減らす戦略を伝える。 これらの強化により、AI-Tutorは、効果的な学習と継続的な参加を促進するパーソナライズされたガイダンスを提供することができる。 33,700人の学習者による2300万の学習記録に関する実証的な評価によると、AI Tutorは、エンゲージメント、知識保持、最終的な学習結果において、最先端のベースラインを一貫して上回っている。 学習パスの分析により、AI-Tutorは、さまざまなプロファイルを持つ学習者に対して、適応性と人間中心のサポートを提供することによって、その戦略をどのように適応するかが明らかにされる。

関連論文リスト

• From Co-Design to Metacognitive Laziness: Evaluating Generative AI in Vocational Education [0.0]
  本研究では,シンガポールの職業教育環境における講師を支援するために考案された,生成型AI概念実証(POC)の開発と展開について検討する。 POCは,授業内容の合理化,認知負荷の低減,授業内容のナビゲートに対する生徒の信頼感の向上を報告した。 教育プロセスの強化にもかかわらず、成績データは学生全体の評価結果に有意な改善は示さなかった。 この研究は、依存関係の最小化、メタ認知開発、さまざまな能力レベルにおけるサポートの校正のためにAIツールをどのように構築できるかという、一連の設計上の疑問を提起している。
  論文  参考訳（メタデータ） (2025-12-13T12:26:25Z)
• Future-Proofing Programmers: Optimal Knowledge Tracing for AI-Assisted Personalized Education [17.137781747517522]
  CoTutorは、学生の進捗モデリングを改善するために信号処理技術を用いてベイズ知識追跡を強化するAI駆動モデルである。 大学試験では、従来の教育ツールを上回りながら、学習成果の計測可能な改善を実証している。 我々の結果は、AIによるパーソナライゼーション、スケーラビリティ、そして教育技術におけるプライバシーと倫理的考慮を前進させる将来の機会の可能性を強調します。
  論文  参考訳（メタデータ） (2025-09-28T17:40:39Z)
• AI in Education: Rationale, Principles, and Instructional Implications [0.0]
  ChatGPTのような生成AIは、人間のようなコンテンツを作り、その教育的役割について疑問を呈する。 この研究は、AIが真の認知的努力を補うのではなく、確実に補完する意図的な戦略を強調している。
  論文  参考訳（メタデータ） (2024-12-02T14:08:07Z)
• Self-Tuning: Instructing LLMs to Effectively Acquire New Knowledge through Self-Teaching [67.11497198002165]
  大規模言語モデル(LLM)は最新の情報の提供に苦慮することが多い。 既存のアプローチは、通常、新しいドキュメントのトレーニングを継続する。 効率的なヒューマンラーニングにおけるFeynman Techniqueの成功に感銘を受けて、セルフチューニングを紹介した。
  論文  参考訳（メタデータ） (2024-06-10T14:42:20Z)
• Implementing Learning Principles with a Personal AI Tutor: A Case Study [2.94944680995069]
  本研究は,人間の学習過程をモデル化し,学術的性能を効果的に向上するパーソナルAIチューターの能力を示す。 プログラムにAIチューターを統合することで、教育者は、学習科学の原則に基づくパーソナライズされた学習体験を学生に提供することができる。
  論文  参考訳（メタデータ） (2023-09-10T15:35:47Z)
• Bridging Declarative, Procedural, and Conditional Metacognitive Knowledge Gap Using Deep Reinforcement Learning [7.253181280137071]
  帰納的ドメインでは、昇順のメタ認知的知識タイプは宣言的、手続き的、条件的学習である。 この研究は、3つの知識タイプ間のギャップを埋めるために適応的なメタ認知的介入を提供するために、Deep Reinforcement Learning (DRL)を活用する。 以上の結果から,DRLは両ITSにおいて,学生間のメタ認知的知識ギャップを橋渡しし,学習能力を大幅に向上させた。
  論文  参考訳（メタデータ） (2023-04-23T20:07:07Z)
• Transfer Learning in Deep Reinforcement Learning: A Survey [64.36174156782333]
  強化学習は、シーケンシャルな意思決定問題を解決するための学習パラダイムである。 近年、ディープニューラルネットワークの急速な発展により、強化学習の顕著な進歩が見られた。 転校学習は 強化学習が直面する様々な課題に 対処するために生まれました
  論文  参考訳（メタデータ） (2020-09-16T18:38:54Z)

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。