論文の概要: A Prompt-Engineering Approach to Develop Scalable, Flexible, and Real-Time Hybrid Micro-Level Personalization in a General Purpose AI Teaching Assistant
- arxiv url: http://arxiv.org/abs/2609.03402v1
- Date: Thu, 03 Sep 2026 06:01:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:38.93772
- Title: A Prompt-Engineering Approach to Develop Scalable, Flexible, and Real-Time Hybrid Micro-Level Personalization in a General Purpose AI Teaching Assistant
- Title（参考訳）: 汎用AI教材におけるスケーラブルでフレキシブルでリアルタイムなハイブリッドなマイクロレベルパーソナライゼーションのためのプロンプトエンジニアリングアプローチ
- Abstract要約: 本研究では,汎用LLM/RAGベースのAI教示アシスタントをパーソナライズするための,プロンプトエンジニアリングに基づくフレームワークを提案する。
このフレームワークは, 自己評価, 抽象選好, 冗長選好, 知覚指向, 情報処理スタイル, 理解レベルという,6つの学習者固有の次元を用いて応答を適応する。
その結果,評価可能な応答変化に関連する学習者属性を統計的に同定し,個人化条件による応答スタイルと構造の違いが認められた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial intelligence (AI) teaching assistants powered by large language models (LLMs) offer scalable educational support but often provide limited personalization. This study presents a prompt-engineering-based framework for personalizing general-purpose LLM/RAG-based AI teaching assistants such as Jill Watson across academic disciplines and courses. The framework adapts responses using six learner-specific dimensions: self-assessment, abstraction preference, verbosity preference, perceptual orientation, information processing style, and level of understanding, yielding 96 distinct learner profiles. Student queries are additionally analyzed using Bloom's Taxonomy to estimate cognitive complexity at the interaction level. Learner attributes and cognitive assessments are encoded in structured prompts that condition the LLM without requiring model retraining. The framework is evaluated through experiments using NLP metrics and a human study with five participants. Results show perceived differences in response style and structure across personalization conditions, with statistical analyses identifying learner attributes associated with measurable response changes. These findings provide preliminary evidence that prompt-based personalization can support adaptive behavior in LLM-powered educational agents.
- Abstract（参考訳）: 大規模言語モデル(LLM)を利用した人工知能(AI)教育アシスタントは、スケーラブルな教育支援を提供するが、しばしば限定的なパーソナライゼーションを提供する。
本研究は,Jill Watson などの汎用 LLM/RAG ベースのAI 教示アシスタントを,学術分野やコースでパーソナライズするための,プロンプトエンジニアリングベースのフレームワークを提案する。
このフレームワークは, 自己評価, 抽象選好, 冗長選好, 知覚指向, 情報処理スタイル, 理解レベルという6つの学習者特化次元を用いて応答を適応し, 96個の学習者プロファイルを得る。
学生の質問はブルームの分類学を用いて分析され、相互作用レベルで認知的複雑性を推定する。
学習者属性と認知的アセスメントは、モデルの再訓練を必要とせずにLLMを条件に構造化されたプロンプトに符号化される。
このフレームワークは、NLPメトリクスと5人の参加者による人間による研究を用いて評価される。
その結果,評価可能な応答変化に関連する学習者属性を統計的に同定し,個人化条件による応答スタイルと構造の違いが認められた。
これらの知見は, 即興的パーソナライゼーションが, LLMによる教育エージェントの適応行動を支援することの予備的証拠となる。
関連論文リスト
- Evaluating LLMs for Answering Student Questions in Introductory Programming Courses [0.0]
本研究では,CS1プログラミングコースにおける学生の質問に答える上で,大規模言語モデルの安全かつ効果的に支援する能力について検討する。
従来のテキストマッチングメトリクスは、オープンエンドの教育応答を評価するには不十分であるため、独自のLCM-as-a-Judgeメトリックを開発し、検証した。
以上の結果から,ジェミニ3フラッシュなどのモデルが典型的な教育者応答の品質基準を超越し,専門家の教育基準と高い整合性が得られることが示唆された。
論文 参考訳（メタデータ） (2026-03-30T11:22:58Z) - UniICL: Systematizing Unified Multimodal In-context Learning through a Capability-Oriented Taxonomy [99.95663439922937]
文脈内学習の有効性は、しばしば単調でタスクに依存しない。
実証の機能的役割を分類する6段階の能力指向分類法を導入する。
大規模コーパスであるUniICL-760Kを構築する。
アーキテクチャの介入として、コンテキスト適応型プロトタイプモジュレータを提案する。
論文 参考訳（メタデータ） (2026-03-25T18:09:33Z) - Measuring Teaching with LLMs [4.061135251278187]
本稿では,文レベルの埋め込みをベースとした独自のLarge Language Modelを使用する。
これらの特化モデルは,0.65以上の専門家による評価で,人間レベルおよび超人的性能を達成可能であることを示す。
また,総合的なモデルスコアは教師の付加価値尺度と一致し,生徒の学習に関連する特徴を捉えていることを示す。
論文 参考訳（メタデータ） (2025-10-27T03:42:04Z) - Cognitive-Level Adaptive Generation via Capability-Aware Retrieval and Style Adaptation [36.622949794875076]
大規模言語モデル(LLM)は、オープンな生成タスクにおいて強力なパフォーマンスを示している。
彼らはしばしば、異なる認知能力を持つユーザーにコンテンツを適用するのに苦労し、私たちが認知的ミスアライメントと呼ぶ現象につながります。
本稿では,知識複雑性とプレゼンテーションスタイルをユーザ認知と整合させるための認知レベルアライメントフレームワーク(CLAF)を提案する。
論文 参考訳（メタデータ） (2025-09-15T10:11:25Z) - Benchmarking Large Language Models for Personalized Guidance in AI-Enhanced Learning [4.990353320509215]
大規模言語モデル(LLM)は、パーソナライズされた学習のためのインテリジェントアシスタントとしてますます考えられている。
本研究では,現実的な学習環境を模擬した学習課題における3つの最先端LLMの実証的比較を行った。
論文 参考訳（メタデータ） (2025-09-02T14:21:59Z) - LLM-Driven Personalized Answer Generation and Evaluation [0.0]
個人学習者のニーズに適応したパーソナライゼーションは,学習経験の向上に不可欠である。
本稿では,学習者の質問に対するパーソナライズされた回答を生成するために,LLM(Large Language Models)の可能性について検討する。
論文 参考訳（メタデータ） (2025-06-12T15:46:15Z) - An Empirical Study of Federated Prompt Learning for Vision Language Model [89.2963764404892]
本稿では,言語プロンプト学習(VPT)と視覚プロンプト学習(VLM)の行動的差異を系統的に検討する。
我々は、FPL(Federated Prompt Learning)の堅牢性を評価するために、クライアントスケール、集約戦略、即時長といった様々なFLと迅速な構成の影響を評価する。
論文 参考訳（メタデータ） (2025-05-29T03:09:15Z) - Aligning Large Language Models to Follow Instructions and Hallucinate Less via Effective Data Filtering [66.5524727179286]
NOVAは、幻覚を減らすための学習知識とよく一致した高品質なデータを特定するために設計されたフレームワークである。
内部整合性探索(ICP)とセマンティック等価同定(SEI)が含まれており、LLMが命令データとどれだけ親しみやすいかを測定する。
選択したサンプルの品質を確保するため,親しみ以上の特性を考慮した専門家による報酬モデルを導入する。
論文 参考訳（メタデータ） (2025-02-11T08:05:56Z) - Evaluating Large Language Models with Psychometrics [59.821829073478376]
本稿では,Large Language Models (LLMs) の心理的構造を定量化するための総合的ベンチマークを提案する。
私たちの研究は、13のデータセットで評価された5つの重要な心理的構成要素、人格、価値観、感情的知性、心の理論、自己効力性を特定します。
LLMの自己報告特性と実際のシナリオにおける応答パターンとの間に大きな相違が発見され,その挙動の複雑さが明らかになった。
論文 参考訳（メタデータ） (2024-06-25T16:09:08Z) - Exploring the Cognitive Knowledge Structure of Large Language Models: An
Educational Diagnostic Assessment Approach [50.125704610228254]
大規模言語モデル(LLM)は、様々なタスクにまたがる例外的なパフォーマンスを示すだけでなく、知性の火花も示している。
近年の研究では、人間の試験における能力の評価に焦点が当てられ、異なる領域における彼らの印象的な能力を明らかにしている。
ブルーム分類に基づく人体検査データセットであるMoocRadarを用いて評価を行った。
論文 参考訳（メタデータ） (2023-10-12T09:55:45Z) - Empowering Private Tutoring by Chaining Large Language Models [87.76985829144834]
本研究は,最先端の大規模言語モデル(LLM)を活用した,本格的な知的チューリングシステムの開発を探求する。
このシステムは、相互に接続された3つのコアプロセス(相互作用、反射、反応)に分けられる。
各プロセスは LLM ベースのツールと動的に更新されたメモリモジュールによって実装される。
論文 参考訳（メタデータ） (2023-09-15T02:42:03Z)
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。