論文の概要: LLM Pedagogical Behavior in AI Tutoring Interactions

• arxiv url: http://arxiv.org/abs/2608.22993v1
• Date: Mon, 24 Aug 2026 08:57:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.002555
• Title: LLM Pedagogical Behavior in AI Tutoring Interactions
• Title（参考訳）: AIチューニングインタラクションにおけるLLM教育行動
• Abstract要約: LLMは、学生が真に学習する相互作用の家庭教師として使うときに提供される援助のレベルについてはほとんど分かっていない。 我々はこの次元を足場レベルとして運用し、人間のアノテーションに対して検証された5段階の尺度を開発する。 大学AI講座の203人の学生から14,637 LLMの回答を得た。
• 参考スコア（独自算出の注目度）: 2.7316402953904233
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Students increasingly use LLMs as tutors for coursework and problem solving. Little is known about the level of assistance LLMs provide when students use them as tutors in authentic learning interactions. This matters because tutoring responses can differ substantially in how directly they help students complete a task. We operationalize this dimension as scaffolding level and develop a five-level scale, validated against human annotations, that characterizes responses according to the degree of direct assistance they provide. We apply the scale to 14,637 LLM responses from 203 students in a university AI course. Responses are overwhelmingly concentrated at high levels of assistance, with more than 95% classified as either Explaining or Solving. Scaffolding level is systematically associated with students' subsequent conversational behavior, but provides little additional predictive information about performance on three subsequent exams beyond prior achievement and dialogue behavior. These findings provide an empirical baseline for LLM assistance in tutoring interactions and a measurement framework for evaluating how alternative tutoring designs change that assistance.
• Abstract（参考訳）: 学生は、コースワークや問題解決の家庭教師としてLLMをますます活用している。 LLMは、学生が真に学習する相互作用の家庭教師として使うときに提供される援助のレベルについてはほとんど分かっていない。 これは、教師の回答が、学生がタスクを完了するのをいかに直接支援するかにおいて、大きく異なる可能性があるためである。 我々はこの次元を足場レベルとして運用し、人間のアノテーションに対して評価された5段階の尺度を開発し、それらが提供する直接的な援助の度合いに応じて応答を特徴付ける。 大学AI講座の203人の学生から14,637 LLMの回答を得た。 反応は高いレベルの援助に圧倒的に集中しており、95%以上が説明または解決のどちらかに分類されている。 スキャッフィングレベルは、学生のその後の会話行動と体系的に関連付けられているが、事前の達成と対話行動を超えて、その後の3回の試験におけるパフォーマンスに関する予測情報はほとんど提供されない。 これらの知見は, 学習者間相互作用におけるLLM支援の実証的ベースラインと, 代替的な学習設計がその支援をどのように変化させるかを評価するための測定フレームワークを提供する。

関連論文リスト

• Self-Explanation Tutor for Active Study of CS1 Worked Examples [1.7504194797252353]
  本研究では,導入型プログラミングのための自己説明授業であるESSEを構築し,学生が作業例の行を解説する。 我々は,LLMが教師のエンジンとなるのに十分な学生説明を判断するかどうかを問う。 そのフィードバックは、学生が一行を捨てるのではなく、継続し、修正することにつながることに気付きました。
  論文  参考訳（メタデータ） (2026-08-25T21:54:47Z)
• AI Assistants Overassist [11.910820103556574]
  大規模言語モデル(LLM)は、チューターや思考パートナーとしてますます使われており、ユーザーが問題を推論するのに役立っている。 AIシステムは、問題解決中の介入決定をどのようにナビゲートするかは、いまだに理解されていない。 Int-Benchは「学生」をシミュレートし、「教師」が生徒の推論を監視し、いつ、どのように介入するかを決定する。
  論文  参考訳（メタデータ） (2026-07-23T13:30:01Z)
• Reflective Dialogue or Prompt Refinement? Effects of Tutor Scaffolding on Students' Independent LLM Use for Programming [0.0]
  大規模言語モデル(LLM)は、学習においてパーソナライズされたサポートを提供する。 本研究では,2種類のLLM学習者が学生の指導実践をどのように形作るかを検討した。
  論文  参考訳（メタデータ） (2026-07-03T13:15:36Z)
• PATS: Personality-Aware Teaching Strategies with Large Language Model Tutors [66.56586559631516]
  大型言語モデル (LLM) は教育教師としての可能性を秘めている。 しかし、異なる学習戦略は、異なる学生の個性に利益をもたらす。 それにもかかわらず、現在のLLM教育システムは生徒の性格特性を考慮に入れていない。
  論文  参考訳（メタデータ） (2026-01-13T10:17:26Z)
• Investigating Student Interaction Patterns with Large Language Model-Powered Course Assistants in Computer Science Courses [4.761218834684297]
  大規模言語モデル(LLM)は、このギャップを埋める上で有望であるが、学生とLLM間の相互作用は、教育者によって監督されることは滅多にない。 我々は,複数のコンピュータ科学コースにまたがって展開されるLLMを利用したコースアシスタントを開発し,実世界の利用を特徴付けるとともに,教育的意味を理解する。
  論文  参考訳（メタデータ） (2025-09-10T02:21:11Z)
• Can Large Language Models Help Students Prove Software Correctness? An Experimental Study with Dafny [75.55915044740566]
  コンピューティング教育の学生は、ChatGPTのような大きな言語モデル(LLM)をますます利用している。 本稿では,Dafny の形式的検証演習において,学生が LLM とどのように相互作用するかを検討する。
  論文  参考訳（メタデータ） (2025-06-27T16:34:13Z)
• From Problem-Solving to Teaching Problem-Solving: Aligning LLMs with Pedagogy using Reinforcement Learning [82.50157695987558]
  大規模言語モデル(LLM)は教育を変換することができるが、直接質問応答のための最適化はしばしば効果的な教育を損なう。 オンライン強化学習(RL)に基づくアライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-21T15:00:07Z)
• Exploring Knowledge Tracing in Tutor-Student Dialogues using LLMs [49.18567856499736]
  本研究では,大規模言語モデル(LLM)が対話学習を支援することができるかどうかを検討する。 我々は,学習者の知識レベルを対話全体にわたって追跡するために,ラベル付きデータに知識追跡(KT)手法を適用した。 我々は,2つの学習対話データセットの実験を行い,従来のKT手法よりも学生の反応の正しさを予測できる新しいLCM-based method LLMKTが優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-24T22:31:39Z)
• Large Language Model as an Assignment Evaluator: Insights, Feedback, and Challenges in a 1000+ Student Course [49.296957552006226]
  大規模言語モデル(LLM)を自動評価に用いることは,NLP研究において重要な評価手法となっている。 本報告では,1028人の大学生を対象に,GPT-4を自動課題評価装置として利用する方法について述べる。
  論文  参考訳（メタデータ） (2024-07-07T00:17:24Z)
• MACAROON: Training Vision-Language Models To Be Your Engaged Partners [95.32771929749514]
  大規模視覚言語モデル(LVLM)は、質問が曖昧でラベルが付されていない場合でも詳細な応答を生成する。 本研究では,LVLMを受動的回答提供者から積極的参加パートナーへ移行することを目的とする。 我々は、LVLMに対して、ラベルなし質問に対するコントラスト応答対を自律的に生成するように指示する、ContrAstive pReference Optimizationのための自己iMaginAtionであるMACAROONを紹介する。
  論文  参考訳（メタデータ） (2024-06-20T09:27:33Z)
• Impact of Guidance and Interaction Strategies for LLM Use on Learner Performance and Perception [19.335003380399527]
  大規模言語モデル(LLM)は、その教育的有用性を探求する研究の増加とともに、有望な道を提供する。 本研究は,LLM支援学習環境の形成において,教師が果たす役割を強調した。
  論文  参考訳（メタデータ） (2023-10-13T01:21:52Z)

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。