Fugu-MT 論文翻訳(概要): Effective Personalized AI Tutors via LLM-Guided Reinforcement Learning

論文の概要: Effective Personalized AI Tutors via LLM-Guided Reinforcement Learning

arxiv url: http://arxiv.org/abs/2608.16907v1
Date: Fri, 10 Jul 2026 20:39:57 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-28 05:09:55.251282
Title: Effective Personalized AI Tutors via LLM-Guided Reinforcement Learning
Title（参考訳）: LLM誘導強化学習による効果的なパーソナライズAIチュータ
Abstract要約: 我々は、慎重に設計されたGenAIチャットボットと強化学習アルゴリズムを密に統合して、練習問題をシーケンシングする新しい学習プラットフォームを設計する。適応シークエンシングは0.15の標準偏差(いくつかの推定では6～9ヶ月に相当する)で未支援の最終試験成績を増加させた。我々の研究は、学生とチャットボットの相互作用が学生の学習を積極的に最適化しパーソナライズするための貴重な信号を提供するという大規模フィールド証拠を提供する。
参考スコア（独自算出の注目度）: 23.76816914785256
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Generative AI (GenAI) is rapidly reshaping education by unlocking the potential for personalized tutoring. Yet, emerging platforms largely focus on GenAI chatbot tutors that reactively answer student questions. We hypothesize that the efficacy of GenAI chatbot tutors can be substantially improved by proactively guiding student learning. To test this, we design a novel tutoring platform that tightly integrates a carefully-designed GenAI chatbot with a reinforcement learning algorithm for sequencing practice problems. Critically, this algorithm leverages rich signals from student-chatbot interactions to adaptively select practice problems of an appropriate difficulty level. In partnership with the Taipei City Government and American Institute in Taiwan, we deployed our tutoring platform in conjunction with a five-month course to teach Python to students across ten high schools. We randomized students between a fixed practice problem sequence and our adaptive sequencing algorithm. We find that adaptive sequencing increased unassisted final exam performance by 0.15 standard deviations (equivalent to 6-9 months of schooling by some estimates); mediation analysis suggests that gains were driven by increased engagement. Our work provides large-scale field evidence that student-chatbot interactions provide valuable signals for proactively optimizing and personalizing student learning.
Abstract（参考訳）: Generative AI(GenAI)は、パーソナライズされた学習の可能性を解き放つことによって、教育を急速に再構築している。しかし、新興プラットフォームは主に学生の質問に答えるGenAIチャットボットの家庭教師に焦点を当てている。我々は,学生の学習を積極的に指導することで,GenAIチャットボットの指導者の有効性を大幅に改善できるという仮説を立てた。これをテストするために、慎重に設計されたGenAIチャットボットと強化学習アルゴリズムを密に統合し、練習問題をシーケンシングする新しい学習プラットフォームを設計する。批判的に、このアルゴリズムは学生とチャットボットの相互作用から豊富な信号を活用し、適切な難易度の実践問題を適応的に選択する。台湾の台北市政府とアメリカン・インスティテュートと共同で,高校10校の生徒にPythonを教えるための5ヶ月の講習会を開催しました。我々は,固定的な実践問題列と適応型シークエンシングアルゴリズムのランダム化を行った。適応的シークエンシングは0.15の標準偏差(いくつかの推定では6～9ヶ月に相当する)で未支援の最終試験性能を高めた。我々の研究は、学生とチャットボットの相互作用が学生の学習を積極的に最適化しパーソナライズするための貴重な信号を提供するという大規模フィールド証拠を提供する。

関連論文リスト

Regulating the AI Tutor: Intentions, Help-Seeking, and Self-Regulated Learning in Adolescent GenAI Use [2.024558551027881]
このワーク・イン・プログレスでは、ドイツ・ギムナシウムの学校3校の98年生を対象に、オープンエンドの会話データを調査している。ドメイン前知識,チャット前学習ニーズ,自己報告型認知負荷を収集した。学生はチャットの前に圧倒的に足場付きサポートを選択したが、その相互作用は道具的要求によって支配された。
論文参考訳（メタデータ） (2026-06-07T10:47:52Z)
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)
Generative AI in Computer Science Education: Accelerating Python Learning with ChatGPT [1.1169959897721926]
本研究では,生成型AI,特にOpenAIs ChatGPTを,適用型生成型AIに関する16週間の専門訓練コース内で,自己ペースのPythonプログラムモジュールに統合することの有効性を評価する。
論文参考訳（メタデータ） (2025-05-24T03:13:46Z)
Encouraging Responsible Use of Generative AI in Education: A Reward-Based Learning Approach [0.7889270818022226]
本研究は、生成AIを統合した革新的な数学的学習手法を導入し、素早い解ではなく構造化学習を育成する。目標は、学生が迅速な修正を求めることから、総合的な学習体験に積極的に参加することにある。
論文参考訳（メタデータ） (2024-06-26T14:27:24Z)
Battling Botpoop using GenAI for Higher Education: A Study of a Retrieval Augmented Generation Chatbots Impact on Learning [0.0]
本研究で紹介されるLeodar教授は、カスタムメイドのSinglish- speak Retrieval Augmented Generation (RAG)である。 Leodar教授は、AI支援学習の未来を垣間見るとともに、パーソナライズされたガイダンス、24/7の可用性、コンテキストに関連する情報を提供している。
論文参考訳（メタデータ） (2024-06-12T01:19:36Z)
YODA: Teacher-Student Progressive Learning for Language Models [82.0172215948963]
本稿では,教師が指導するプログレッシブ・ラーニング・フレームワークであるYodaを紹介する。モデルファインチューニングの有効性を向上させるために,教師の教育過程をエミュレートする。実験の結果, YODAのデータによるLLaMA2のトレーニングにより, SFTは大幅に向上した。
論文参考訳（メタデータ） (2024-01-28T14:32:15Z)
MathDial: A Dialogue Tutoring Dataset with Rich Pedagogical Properties Grounded in Math Reasoning Problems [74.73881579517055]
そこで本稿では,一般学生の誤りを表現した大規模言語モデルを用いて,人間教師の対話を生成する枠組みを提案する。このフレームワークを用いて3kの1対1の教師-学生対話のデータセットであるMathDialを収集する方法について述べる。
論文参考訳（メタデータ） (2023-05-23T21:44:56Z)
Human Decision Makings on Curriculum Reinforcement Learning with Difficulty Adjustment [52.07473934146584]
我々は,カリキュラム強化学習結果を,人的意思決定プロセスから学ぶことで,難しすぎず,難しすぎるような望ましいパフォーマンスレベルに導く。本システムは非常に並列化可能であり,大規模強化学習アプリケーションの訓練が可能となる。強化学習性能は、人間の所望の難易度と同期してうまく調整できることが示される。
論文参考訳（メタデータ） (2022-08-04T23:53:51Z)
Iterative Teacher-Aware Learning [136.05341445369265]
人間の教育において、教師と学生はコミュニケーション効率を最大化するために適応的に交流することができる。本稿では,教師の協調意図を可能性関数に組み込むことができる,勾配最適化に基づく教師認識学習者を提案する。
論文参考訳（メタデータ） (2021-10-01T00:27:47Z)
Peer-inspired Student Performance Prediction in Interactive Online Question Pools with Graph Neural Network [56.62345811216183]
本稿では,対話型オンライン質問プールにおいて,より優れた生徒のパフォーマンス予測を実現するために,グラフニューラルネットワーク(GNN)を用いた新しいアプローチを提案する。具体的には,学生のインタラクションを用いた学生と質問の関係をモデル化し,学生のインタラクション・クエストネットワークを構築する。 1631の質問に対して4000人以上の学生の問題解決過程において生成した104,113個のマウス軌跡からなる実世界のデータセットに対するアプローチの有効性を評価した。
論文参考訳（メタデータ） (2020-08-04T14:55:32Z)

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。