論文の概要: Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons
- arxiv url: http://arxiv.org/abs/2608.20822v1
- Date: Fri, 21 Aug 2026 07:43:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.447706
- Title: Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons
- Title（参考訳）: TTS対話型授業における学習者特性と対話形式との相互作用効果
- Abstract要約: 本研究では,3種類の対話型授業における学習者特性が動機づけ,学習結果,総合評価に与える影響について検討した。
大規模言語モデル (LLM) とテキスト音声合成 (TTS) 技術を用いて3種類のレッスンが作成された。
- 参考スコア（独自算出の注目度）: 0.8599595236399581
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study examined how learner characteristics affect motivation, learning outcomes, and overall evaluation in three types of dialogue-based lessons---(1) teacher--student, (2) student--student, and (3) teacher--teacher---generated using a large language model (LLM) and Text-to-Speech (TTS) technology. In particular, we focused on the interaction effects between dialogue format and learners' experiential learning style (the Concrete Experience factor, CE; and the factor of active experimentation through reflective observation and abstract conceptualization, RCE) and critical thinking disposition. Using a repeated-measures design with 222 first-year high school students, we analyzed the data with linear mixed-effects models. The results showed a significant interaction between learner characteristics and dialogue format for ARCS-based motivation. Specifically, the effect of the CE factor on motivation was more strongly positive in the teacher--teacher format than in the teacher--student format, whereas the positive effect of the RCE factor was relatively weaker in the teacher--teacher format. For learning outcomes, the interactions between dialogue format and both the CE and RCE factors showed a trend toward significance. No significant interaction emerged for overall evaluation; however, the overall evaluation of the teacher--teacher format was significantly lower than that of the teacher--student format, a pattern that diverged from the positive effect observed for motivation. These results suggest that dialogue format should be selected according to learner characteristics in TTS dialogue-based lessons. Because the effect sizes of the significant interactions were all small to medium, however, the findings of this study should be regarded as preliminary evidence for the design of personalized learning.
- Abstract（参考訳）: 本研究では,学習者がモチベーション,学習結果,総合評価にどう影響するかを,(1)教師-学生,(2)学生-教師,(3)教師-教師-大規模言語モデル(LLM)とTTS(Text-to-Speech)技術を用いて検討した。
特に,対話形式と学習者の経験的学習スタイル(具体的経験因子CE)の相互作用効果と,反射的観察と抽象的概念化による積極的実験の要因(RCE)と批判的思考傾向に着目した。
小学校222人の学生を対象に, 線形混合効果モデルを用いてデータ分析を行った。
その結果,ARCSに基づくモチベーションのための学習者特性と対話形式との間には大きな相互作用が認められた。
特に、CE因子の動機づけに対する効果は、教師-学生形式よりも教師-教師形式の方が強いが、教師-教師形式ではRCE因子の肯定的な効果が比較的弱い。学習結果において、対話形式とCE因子とCE因子の相互作用は重要性を示す傾向を示した。全体的な評価においては、大きな相互作用はみられなかったが、教師-教師フォーマットの全体的な評価は、モチベーションに対して観察された肯定的な効果から逸脱したパターンである教師-教師形式よりも有意に低かった。
これらの結果は,TTS対話に基づく授業において,学習者特性に応じて対話形式を選択するべきであることを示唆している。
しかし, 重要な相互作用の効果の大きさは, すべて小から中程度であり, パーソナライズされた学習設計の予備的証拠とみなす必要がある。
関連論文リスト
- Disentangling Learning from Judgment: Representation Learning for Open Response Analytics [0.0]
オープンエンドの回答は学習の中心であるが、自動スコアリングは生徒の書き方と教師の成績を混同することが多い。
本稿では、コンテンツ信号とレーダ傾向を分離し、分析を通じて判断を可視化し、監査可能にする分析ファーストフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-30T02:06:28Z) - EduDial: Constructing a Large-scale Multi-turn Teacher-Student Dialogue Corpus [59.693733170193944]
EduDialは総合的な多ターン教師/学生対話データセットである。
EduDialは345のコアナレッジポイントをカバーし、教師と学生エージェントの対話によって生成された34,250の対話セッションで構成されている。
論文 参考訳（メタデータ） (2025-10-14T18:18:43Z) - Teaching Audio Models to Reason: A Unified Framework for Source- and Layer-wise Distillation [52.537908557508324]
本研究では,高容量テキストモデルから学生音声モデルへの推論能力を伝達するための統合知識蒸留フレームワークを提案する。
本手法では, ソースワイド蒸留と層ワイド蒸留という2つの重要な次元を導入する。
実験結果から,音声推論性能は著しく向上した。
論文 参考訳（メタデータ） (2025-09-23T02:58:16Z) - IntrEx: A Dataset for Modeling Engagement in Educational Conversations [7.526860155587907]
IntrExは、教師と学生の交流における興味と期待される興味を示す最初の大きなデータセットである。
我々は、100以上の第二言語学習者による厳密なアノテーションプロセスを採用している。
大規模言語モデル(LLM)が人間の興味ある判断を予測できるかどうかを検討する。
論文 参考訳（メタデータ） (2025-09-08T13:07:35Z) - How Real Is AI Tutoring? Comparing Simulated and Human Dialogues in One-on-One Instruction [6.649393350057383]
本研究は,AIを模擬した人体学習対話における構造的・行動的差異を系統的に検討する。
その結果,人間の対話は発話長においてAIよりもはるかに優れており,質問行動(I-Q)や一般フィードバック行動(F-F)にも優れていることがわかった。
論文 参考訳（メタデータ） (2025-09-02T03:18:39Z) - Sentiment Analysis in Learning Management Systems Understanding Student Feedback at Scale [0.0]
非言語コミュニケーションの欠如は、教育経験の有効性を低下させる言葉によるフィードバックへの依存につながった。
本稿では,学生と教師のギャップを埋めるために,感情分析を学習管理システム(LMS)に統合することを検討する。
論文 参考訳（メタデータ） (2025-06-05T18:13:07Z) - Towards an optimised evaluation of teachers' discourse: The case of engaging messages [0.0]
本研究では,教師の言論評価を最適化するための新しい手法を提案する。
最初の研究は、2年間にわたる音声録音による実例に基づく2つの大きな言語モデルを訓練することであった。
第2の研究では、これらのモデルを第3学年の音声録音授業の書き起こしに適用し、メッセージタイプの頻度と分布について検討した。
論文 参考訳（メタデータ） (2024-12-18T16:29:45Z) - Representational Alignment Supports Effective Machine Teaching [81.19197059407121]
GRADEは、教育と表現的アライメントを研究するための新しい制御された実験環境である。
学生との表現的整合性が向上し,生徒の学習成果が向上することがわかった。
しかし、この効果は、教えられているクラスのサイズと表現の多様性によって中和される。
論文 参考訳（メタデータ） (2024-06-06T17:48:24Z) - TSAM: A Two-Stream Attention Model for Causal Emotion Entailment [50.07800752967995]
CEE(Causal Emotion Entailment)は、会話の発話において感情の背後にある潜在的な原因を発見することを目的としている。
我々は,グローバルビューにおける発話間の相関を捉えるために,複数の発話を同期的に分類する。
対話履歴における話者の感情的影響を効果的にモデル化する2ストリーム注意モデル(TSAM)を提案する。
論文 参考訳（メタデータ） (2022-03-02T02:11:41Z) - Structural Pre-training for Dialogue Comprehension [51.215629336320305]
本稿では,SPIDER, Structure Pre-trained DialoguE Readerについて述べる。
対話のような特徴をシミュレートするために,元のLM目的に加えて,2つの訓練目標を提案する。
広く使われている対話ベンチマークの実験結果から,新たに導入した自己教師型タスクの有効性が検証された。
論文 参考訳（メタデータ） (2021-05-23T15:16:54Z) - Dialogue Response Selection with Hierarchical Curriculum Learning [52.3318584971562]
対話応答選択のためのマッチングモデルの学習について検討する。
近年,ランダムなネガティブは信頼度の高いモデルを学習するには自明すぎることが判明し,階層的なカリキュラム学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-12-29T14:06:41Z)
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。