Fugu-MT 論文翻訳(概要): Methodologies for Improving the Quality of AI Tutoring in K-12 Education

論文の概要: Methodologies for Improving the Quality of AI Tutoring in K-12 Education

arxiv url: http://arxiv.org/abs/2608.11259v1
Date: Fri, 07 Aug 2026 15:20:08 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-13 19:07:54.311627
Title: Methodologies for Improving the Quality of AI Tutoring in K-12 Education
Title（参考訳）: K-12教育におけるAIチューニングの質向上手法
Abstract要約: 我々は、K-12のためのAIによる教育の先駆けとして、Khanmigo(Khan Academy, 2023)の立ち上げを行った。我々は、AI教育の質と学生のエンゲージメントを測定するのに使用しているメトリクスと、実施したさまざまな実験について説明する。
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: Many AI tutors leverage large language models (LLMs) today. Given that LLMs are opaque black boxes, robust evaluation and live experimentation to measure the impact of every change are essential. We pioneered AI-powered tutoring for K-12 with the launch of Khanmigo (Khan Academy, 2023). We describe the metrics we use to measure AI tutoring quality and student engagement as well as various experiments we have run. We highlight the changes that have moved our metrics, including models, prompting, personalization and agents.
Abstract（参考訳）: 今日、多くのAI家庭教師が大規模言語モデル(LLM)を活用している。 LLMは不透明なブラックボックスであるため、すべての変化の影響を測定するための堅牢な評価とライブ実験が不可欠である。私たちは、K-12のAI教育を先駆けて、Khanmigo(Khan Academy, 2023)を立ち上げました。私たちは、AIのチューター品質と学生のエンゲージメントを測定するのに使用しているメトリクスと、実行しているさまざまな実験について説明します。モデル、プロンプト、パーソナライゼーション、エージェントなど、メトリクスを移行した変更を強調します。

関連論文リスト

Can Vision Language Models Be Adaptive in Mathematics Education? A Learner Model-based Rubric Study [12.884184999755325]
視覚言語モデル(VLM)は数学教育に採用され、学生はそれをパーソナライズされた指導のための学習支援として利用してきた。現在のVLMは、数学のチュータータスクにおける異なる学習者プロファイルへの適応性に対する体系的な評価の枠組みを欠いている。
論文参考訳（メタデータ） (2026-05-15T14:42:41Z)
AI-Assisted Code Review as a Scaffold for Code Quality and Self-Regulated Learning: An Experience Report [4.541490370053892]
GitHubのプルリクエスト(Human-in-the-loop)に直接統合されたLCM-as-reviewerについて検討する。自己統制学習プロセスの行動指標としてのエンゲージメントと応答性について検討した。 i)認知的オフロードを緩和しながら学習を足場とするAIレビュアの作業フロー設計、(ii)正当性のある2つのコホート間での横断的な比較、(iv)責任を負う学生主導のAI支援レビューに対するエビデンスベースの教育的レコメンデーション。
論文参考訳（メタデータ） (2026-04-25T11:10:57Z)
Training LLM Agents to Empower Humans [67.80021254324294]
本稿では,人間のエンパワーメントの最大化に基づく支援言語モデルのチューニング手法を提案する。我々のエンパワーメント最大化手法であるEmpowerは、オフラインのテキストデータのみを必要とする。我々は,Empowerで訓練されたエージェントが,プログラミング問題に挑戦する人間プログラマの成功率を平均192%向上させることを示す。
論文参考訳（メタデータ） (2025-10-15T16:09:33Z)
Conversational Education at Scale: A Multi-LLM Agent Workflow for Procedural Learning and Pedagogic Quality Assessment [13.95997720123007]
大規模言語モデル(LLM)は高度な仮想教育者と学習者を持ち、AI4EducationでNLPをブリッジする。 LLMを利用して対話型学習会話をシミュレートするマルチエージェントワークフローWikiHowAgentを提案する。教師と学習エージェント、対話マネージャ、および評価装置を統合し、手続き的学習を促進し、教育的品質を評価する。
論文参考訳（メタデータ） (2025-07-07T22:56:37Z)
LecEval: An Automated Metric for Multimodal Knowledge Acquisition in Multimedia Learning [58.98865450345401]
本稿では,マイアーのマルチメディア学習認知理論に基礎を置く自動計量であるLecEvalを紹介する。 LecEvalは、コンテンツ関連(CR)、表現的明瞭度(EC)、論理構造(LS)、聴取エンゲージメント(AE)の4つのルーリックを用いて効果を評価する私たちは、50以上のオンラインコースビデオから2000以上のスライドからなる大規模なデータセットをキュレートします。
論文参考訳（メタデータ） (2025-05-04T12:06:47Z)
TutorGym: A Testbed for Evaluating AI Agents as Tutors and Students [0.283600654802951]
TutorGymは、人工知能(AI)エージェントを既存の知的チューリングシステム(ITS)内でテストするための標準インターフェースである。問題解決の各ステップでは、AIエージェントが教師や学習者として何をするかを尋ねられる。学生として、エージェントはITS命令から直接学習し、その誤りや学習軌跡を学生データと比較することができる。
論文参考訳（メタデータ） (2025-05-02T20:03:21Z)
LLM-powered Multi-agent Framework for Goal-oriented Learning in Intelligent Tutoring System [54.71619734800526]
GenMentorは、ITS内で目標指向でパーソナライズされた学習を提供するために設計されたマルチエージェントフレームワークである。学習者の目標を、カスタムのゴール・トゥ・スキルデータセットでトレーニングされた微調整LDMを使用して、必要なスキルにマッピングする。 GenMentorは、個々の学習者のニーズに合わせて探索・描画・統合機構で学習内容を調整する。
論文参考訳（メタデータ） (2025-01-27T03:29:44Z)
Kolb-Based Experiential Learning for Generalist Agents with Human-Level Kaggle Data Science Performance [81.05882480184587]
本稿では,自律エージェントに対するVygotskyのZPDを用いて,Kolbの学習サイクルの計算フレームワークを提案する。 Agent Kは、KolbとVygotskyにインスパイアされた人間の認知学習をうまく統合する第1のAIシステムである。金9個、銀8個、銅12個で、メダル獲得競争で金4個、銀4個を含む。エージェントKは、コルブとヴィーゴツキーにインスパイアされた人間の認知学習をうまく統合する第1のAIシステムである。
論文参考訳（メタデータ） (2024-11-05T23:55:23Z)
Meta-Rewarding Language Models: Self-Improving Alignment with LLM-as-a-Meta-Judge [77.9094410773789]
大規模言語モデル(LLM)は、多くのドメインにおける人間の知識を急速に上回っている。近年の自己回帰機構では、LDMは人間のラベルに頼らず、自分自身の反応を判断することで改善可能であることが示されている。本稿では,自己改善プロセスにメタリワードの新たなステップを導入し,モデルが自身の判断を判断し,そのフィードバックを用いて判断スキルを洗練させる。
論文参考訳（メタデータ） (2024-07-28T21:58:28Z)
Characteristic AI Agents via Large Language Models [40.10858767752735]
本研究は,特有なAIエージェント構築における大規模言語モデルの性能調査に焦点をあてる。 character100''と呼ばれるデータセットがこのベンチマークのために構築されており、ウィキペディアの言語モデルでロールプレイを行う最も訪問者の多い人々で構成されている。実験結果から,LLMの能力向上に向けた潜在的な方向性が明らかにされた。
論文参考訳（メタデータ） (2024-03-19T02:25:29Z)
Can Active Label Correction Improve LLM-based Modular AI Systems? [0.8057006406834466]
GPT-3.5アノテートした3つのデータセットのノイズと,その騒音を人間のフィードバックで分析する。本稿では,トレーニングデータセットに3つの更新を反復的に適用する新しいALC3を提案する。
論文参考訳（メタデータ） (2024-01-10T14:41:37Z)
Weighted Ensemble Self-Supervised Learning [67.24482854208783]
組み立ては、モデルパフォーマンスを高めるための強力なテクニックであることが証明されている。我々は,データ依存型重み付きクロスエントロピー損失を許容するフレームワークを開発した。提案手法は、ImageNet-1K上での複数の評価指標において、両者に優れる。
論文参考訳（メタデータ） (2022-11-18T02:00:17Z)

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。