論文の概要: An AI-Based Adaptive Learning Platform for Multilingual and Low-Resource Educational Contexts: A Case Study on Nigeria

• arxiv url: http://arxiv.org/abs/2608.15738v1
• Date: Sun, 16 Aug 2026 13:31:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.40507
• Title: An AI-Based Adaptive Learning Platform for Multilingual and Low-Resource Educational Contexts: A Case Study on Nigeria
• Title（参考訳）: マルチリンガル・低リソース教育コンテキストのためのAIベースの適応学習プラットフォーム:ナイジェリアを事例として
• Abstract要約: 本稿では,多言語・低リソースの教育環境を対象としたAIベースの適応学習プラットフォームを提案する。 このシステムは、パーソナライズされ適応的な学習フレームワークに微調整された大規模言語モデル(LLM)を統合する。 言語的アライメントを高めるため、ナイジェリアのピジンコーパス(英語版)が開発され、命令調整されたLLMを微調整するために使用された。
• 参考スコア（独自算出の注目度）: 2.365610178729227
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Educational platforms in under-resourced and multilingual contexts, such as Nigeria, often struggle with limited personalisation, inadequate language support, and weak curriculum internationalisation, leading to reduced learner engagement and inclusivity. This paper presents an AI-based adaptive learning platform designed for multilingual and low-resource educational contexts, with a case study on Nigerian Pidgin English. The system integrates fine-tuned large language models (LLMs) within a personalised and adaptive learning (PAL) framework, addressing linguistic inclusivity and computational constraints in resource-limited environments. To enhance linguistic alignment, a curated Nigerian Pidgin corpus was developed and used to fine-tune an instruction-tuned LLM. The study further investigates model optimisation through multi-level quantisation (4-bit, 5-bit, and 8-bit), enabling systematic analysis of trade-offs between semantic fidelity and computational efficiency. Experimental evaluation combines automatic semantic metrics (BLEU, ROUGE-L, BERTScore, perplexity, lexical diversity) with human-centred cultural assessment conducted by native speakers. Results demonstrate that higher-bit quantisation improves semantic preservation and structural coherence, while lower-bit models offer reduced inference latency with minimal degradation in instructional quality. The findings establish a deployable, resource-aware intelligent learning system that balances semantic robustness, cultural relevance, and computational efficiency. This work contributes an experimentally validated framework for adapting large language models to low-resource languages while maintaining practical feasibility for scalable educational deployment.
• Abstract（参考訳）: ナイジェリアのような未資源で多言語的な文脈の教育プラットフォームは、限られた個人化、不十分な言語サポート、弱いカリキュラムの国際化に苦しむことが多く、学習者のエンゲージメントと傾倒が減少する。 本稿では,ナイジェリアのピジン英語を事例として,多言語・低リソースの教育文脈を対象としたAIベースの適応学習プラットフォームを提案する。 このシステムはパーソナライズド・アダプティブ・ラーニング(PAL)フレームワークに微調整された大規模言語モデル(LLM)を統合し、リソース制限環境における言語的傾きと計算的制約に対処する。 言語的アライメントを高めるため、ナイジェリアのピジンコーパス(英語版)が開発され、命令調整されたLLMを微調整するために使用された。 さらに,マルチレベル量子化(4ビット,5ビット,8ビット)によるモデル最適化について検討し,意味的忠実度と計算効率のトレードオフを系統的に解析する。 実験的な評価は、自動意味尺度(BLEU, ROUGE-L, BERTScore, perplexity, lexical diversity)と、母語話者による人間中心の文化的評価を組み合わせる。 その結果、高ビット量子化は意味的保存と構造的コヒーレンスを改善する一方、低ビットモデルは命令品質の最小限の劣化を伴う推論遅延を減少させることを示した。 これらの知見は、意味的堅牢性、文化的妥当性、計算効率のバランスをとる、デプロイ可能な、リソースを意識したインテリジェントな学習システムを確立する。 この研究は、スケーラブルな教育展開の実現可能性を維持しつつ、大規模言語モデルを低リソース言語に適用するための実験的に検証されたフレームワークに貢献している。

関連論文リスト

• Evaluating Health Misinformation in Low-Resource Languages: Integrating Small Language Models with a Culturally-Sensitive Responsible NLP Framework (Bangla as a Case Study) [0.9214837952221063]
  本稿では,CALDに親しみやすいAIを用いた健康情報検出装置を提案し,医療従事者がこの誤情報を分析するためのダッシュボードを提供する。 各種小言語モデル(SLM)の性能評価のために,バングラ翻訳による健康情報誤報データセットを用いて実験を行った。 次に、責任自然言語処理(NLP)に基づく新しい健康情報検出フレームワークの設計とテストを行う。 このフレームワークは、文化的な感受性、害の可能性、通信品質を取り入れ、低リソース言語における誤情報を評価するための総合的なレンズを提供する。
  論文  参考訳（メタデータ） (2026-07-14T04:34:05Z)
• Culturally Adaptive Explainable LLM Assessment for Multilingual Information Disorder: A Human-in-the-Loop Approach [0.0]
  ハイブリッドインテリジェンスループ(Hybrid Intelligence Loop)は、母国語アノテータによる人文論理のモデル評価を基礎とする。 この手法は、英語のタスク命令と動的に検索されたターゲット言語例とをペアリングすることで、静的なターゲット言語による数発ショットを超越する。 本研究は, 評価対象グループ間のモデルアライメント, 重要度予測, 生成した合理性の品質, 文化的適切性, およびモデルアライメントを評価する。
  論文  参考訳（メタデータ） (2026-03-28T18:06:14Z)
• Tokenization Disparities as Infrastructure Bias: How Subword Systems Create Inequities in LLM Access and Efficiency [6.943451388015595]
  トークン化の格差は、人工知能への公平なアクセスを達成する上で重要な障壁となる。 本研究では,200以上の言語におけるトークン化効率の大規模クロス言語的評価を行う。
  論文  参考訳（メタデータ） (2025-10-14T11:14:38Z)
• Low-Resource English-Tigrinya MT: Leveraging Multilingual Models, Custom Tokenizers, and Clean Evaluation Benchmarks [6.177998679139308]
  ニューラルネットワーク翻訳(NMT)の進歩にもかかわらず、Tigrinyaのような低リソース言語はいまだに保存されていない。 本稿では,多言語事前学習モデルを用いた翻訳学習手法について検討し,形態的に豊かな低リソース言語に対する翻訳品質を向上させる。
  論文  参考訳（メタデータ） (2025-09-24T15:02:57Z)
• Improving Multilingual Math Reasoning for African Languages [49.27985213689457]
  データタイプ(翻訳と合成)、トレーニングステージ(事前学習と後学習)、その他のモデル適応構成の異なる組み合わせを評価する実験を行う。 実験では,Llama 3.1 モデルファミリをベースモデルとして,数学的推論タスクに着目した。
  論文  参考訳（メタデータ） (2025-05-26T11:35:01Z)
• LIMBA: An Open-Source Framework for the Preservation and Valorization of Low-Resource Languages using Generative Models [62.47865866398233]
  この白書は低リソース言語のための言語ツールを生成するためのフレームワークを提案する。 このような言語に対するインテリジェントな応用を妨げるデータ不足に対処することにより、言語多様性の促進に寄与する。
  論文  参考訳（メタデータ） (2024-11-20T16:59:41Z)
• SMILE: Speech Meta In-Context Learning for Low-Resource Language Automatic Speech Recognition [55.2480439325792]
  音声メタインコンテキスト学習(SMILE)は、メタラーニングと音声インコンテキスト学習(SICL)を組み合わせた革新的なフレームワークである SMILEは、トレーニング不要な多言語ASRタスクにおいて、ベースライン手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-16T16:04:16Z)
• MoE-CT: A Novel Approach For Large Language Models Training With Resistance To Catastrophic Forgetting [53.77590764277568]
  ベースモデルの学習を多言語拡張プロセスから分離する新しいMoE-CTアーキテクチャを提案する。 我々の設計では、元のLLMパラメータを凍結し、高リソース言語のパフォーマンスを保護しますが、様々な言語データセットに基づいてトレーニングされたMoEモジュールは、低リソース言語の習熟度を向上します。
  論文  参考訳（メタデータ） (2024-06-25T11:03:45Z)
• Bridging the Bosphorus: Advancing Turkish Large Language Models through Strategies for Low-Resource Language Adaptation and Benchmarking [1.3716808114696444]
  大規模言語モデル(LLM)は様々な分野において重要になってきており、表現不足の言語における高品質なモデルの緊急性を強調している。 本研究では、データ不足、モデル選択、評価、計算制限など、低リソース言語が直面する固有の課題について検討する。
  論文  参考訳（メタデータ） (2024-05-07T21:58:45Z)
• Analyzing and Adapting Large Language Models for Few-Shot Multilingual NLU: Are We There Yet? [82.02076369811402]
  教師付きファインチューニング(SFT)、教師付きインストラクションチューニング(SIT)、インコンテキストラーニング(ICL)は、3つの代替であり、事実上の標準的アプローチである。 提案手法は,6つの高・低リソース言語,3つの異なるNLUタスク,多種多様な言語とドメインのセットアップを用いて,3つのアプローチを網羅的かつ体系的に比較する。 そこで本研究では,教師あり指導のチューニングが,性能とリソース要件の最良のトレードオフであることを示す。
  論文  参考訳（メタデータ） (2024-03-04T10:48:13Z)
• DIALIGHT: Lightweight Multilingual Development and Evaluation of Task-Oriented Dialogue Systems with Large Language Models [76.79929883963275]
  DIALIGHTは多言語タスク指向対話(ToD)システムの開発と評価のためのツールキットである。 ローカル発話レベルとグローバル対話レベルの両方において、人間のきめ細かい評価のためのセキュアでユーザフレンドリーなWebインターフェースを備えている。 評価の結果, PLMの微調整により精度とコヒーレンスが向上する一方, LLMベースのシステムは多様で類似した応答を生成するのに優れていた。
  論文  参考訳（メタデータ） (2024-01-04T11:27:48Z)

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。