論文の概要: SLATE: Are AI-Generated Slides Educationally Effective? A Benchmark for Language Teaching Quality and Learner Knowledge Acquisition

• arxiv url: http://arxiv.org/abs/2609.06212v1
• Date: Sat, 05 Sep 2026 18:14:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 06:33:59.769841
• Title: SLATE: Are AI-Generated Slides Educationally Effective? A Benchmark for Language Teaching Quality and Learner Knowledge Acquisition
• Title（参考訳）: SLATE:AI生成スライドは教育的に有効か? : 言語教育の質と学習者知識獲得のためのベンチマーク
• Abstract要約: SLATEは,AIが生成する言語指導スライドを,学習者の知識獲得と教育効果を通じて評価する最初のベンチマークである。 SLATEは、言語学のオリンピアードパズルを、無視できるウェブ存在の低リソース言語から90の標準命令単位に変換する。 以上の結果から,コンテンツ妥当性は学習効果と弱い相関を示す一方,教育設計は堅牢な正の相関を示すことが明らかとなった。
• 参考スコア（独自算出の注目度）: 12.243304149666258
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLMs have achieved remarkable capabilities in generating language teaching slides. However, a critical mismatch persists between visual polish and actual instructional effectiveness. To address this gap, we introduce SLATE (Slide-based Learning Assessment for Teaching Effectiveness), the first benchmark that evaluates AI-generated language teaching slides through instructional effectiveness and learner knowledge acquisition. SLATE transforms linguistics olympiad puzzles from low-resource languages with negligible web presence into 90 standardized instructional units comprising 1,133 assessable items, paired with a structured course outline and matched near- and far-transfer test sets. This pretest-posttest design eliminates pretrained knowledge leakage, ensuring gains reflect learning rather than prior recall. Using VLMs as scalable learner proxies and directionally supported by a three-system human pilot, our results show that content validity exhibits a weak association with learning gain, while pedagogical design exhibits a robust positive association. Moreover, most systems show a significant gap between near- and far-transfer accuracy, and even frontier models can produce negative learning gains. SLATE reveals a dissociation between artifact quality and instructional effectiveness, calling for a paradigm shift in how generative teaching systems are built, evaluated, and deployed.
• Abstract（参考訳）: LLMは、言語指導スライドを生成する際、顕著な能力を達成した。 しかし、視覚的磨耗と実際の指導効果の間には批判的なミスマッチが持続する。 このギャップに対処するために,私たちは,学習者の知識獲得と指導効果を通じてAI生成言語指導スライドを評価する最初のベンチマークであるSLATE(Slide-based Learning Assessment for Teaching Effectiveness)を紹介した。 SLATEは、言語学のオリンピアドパズルを、無視可能なWebプレゼンスを持つ低リソース言語から、1,133個の評価可能な項目からなる90の標準命令単位に変換し、構造化されたコースアウトラインと組み合わせて、近距離および遠距離の試験セットにマッチさせる。 この事前テスト設計は、事前訓練された知識リークを排除し、事前のリコールよりも学習を反映させる。 VLMをスケーラブルな学習プロキシとして使用し、3系統の人間パイロットによる方向支援を行い、本研究の結果、コンテンツ妥当性は学習効果と弱い相関を示す一方、教育設計は堅牢な正の相関を示すことがわかった。 さらに、ほとんどのシステムでは、近距離変換精度と遠距離変換精度の間に大きなギャップがあり、フロンティアモデルでさえ負の学習ゲインを生み出すことができる。 SLATEは、アーティファクトの品質と教育効果の解離を明らかにし、生成的教育システムの構築、評価、展開のパラダイムシフトを要求する。

関連論文リスト

• Clause Encounters of the Third Kind: Can LLMs Replace Language Teachers? [0.0]
  本稿では,言語学習者が必要とする修正的フィードバックや方法論的説明を,最先端のLLMが提供できるかどうかを検討する。 この評価には、自動メトリクス(GLEU, BERTScore)に加えて、人間の専門家による判断も採用されている。 モデルは印象的な表面レベルの補正能力を示すが、それらの説明は効果的な言語教育に必要な用語的知識やドメイン的知識を欠いていることが多い。
  論文  参考訳（メタデータ） (2026-08-17T08:58:30Z)
• LittleLearner: Language Models Under Pedagogically Controlled Knowledge Exposure [56.83509505408756]
  我々は、モデルがどのようにデータを取得し、表現し、利用するかを研究するために、発達的に制限されたサンドボックスとしてLITTLECURRICULUMとLITTLEREARNERをリリースする。 我々は,サンドボックスの有用性を,学習後の学習と文脈内学習を通じて新しい知識を注入する実験の1組で説明する。
  論文  参考訳（メタデータ） (2026-08-13T17:56:12Z)
• DUET: Distilled LLM Unlearning from an Efficiently Contextualized Teacher [5.406594712642111]
  デュエット(DUET)は,蒸留法に基づく新規な未学習法である。 忘れることとユーティリティ保存の両方において高いパフォーマンスを実現し、最先端の未学習手法よりも桁違いにデータ効率が高い。
  論文  参考訳（メタデータ） (2026-01-29T05:32:35Z)
• 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)
• Understanding the Dilemma of Unlearning for Large Language Models [50.54260066313032]
  Unlearningは、大きな言語モデル(LLM)から特定の知識を取り除こうとしている。 提案するunPactは,帰納的帰属とコントリビューショントラッキングによるアンラーニングのための解釈可能なフレームワークである。
  論文  参考訳（メタデータ） (2025-09-29T12:15:19Z)
• Simulating LLM-to-LLM Tutoring for Multilingual Math Feedback [11.889826908536941]
  大規模言語モデル(LLM)を用いた多言語チューター-学生間相互作用の大規模シミュレーションについて述べる。 より強いモデルは教師の役割を担い、ヒントの形でフィードバックを生成し、弱いモデルは生徒をシミュレートする。 本研究では,学生の入力言語,教師のフィードバック言語,モデル選択,言語資源レベルがパフォーマンスにどのように影響するかを検討する。
  論文  参考訳（メタデータ） (2025-06-05T11:53:04Z)
• Can Large Language Models Match Tutoring System Adaptivity? A Benchmarking Study [0.0]
  大規模言語モデル(LLM)は動的命令補助として約束を守る。 しかし、LLMが知的チューリングシステム(ITS)の適応性を再現できるかどうかは不明である。
  論文  参考訳（メタデータ） (2025-04-07T23:57:32Z)
• Enhancing LLM Knowledge Learning through Generalization [73.16975077770765]
  我々は,LLMが様々な言い換えの文脈に与えられた同じ事実的知識トークンを継続的に予測する能力は,質問応答によってその知識を抽出する能力と正の相関性を示す。 そこで本稿では,LLMの知識獲得能力を高めるための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2025-03-05T17:56:20Z)
• ReLearn: Unlearning via Learning for Large Language Models [64.2802606302194]
  本研究では、効果的なアンラーニングのためのデータ拡張および微調整パイプラインであるReLearnを提案する。 このフレームワークでは、知識レベルの保存を測定するために、知識獲得率(KFR)と知識保持率(KRR)を導入している。 実験の結果,ReLearnは高品質な出力を保ちながら,目標とするリセットを実現することができた。
  論文  参考訳（メタデータ） (2025-02-16T16:31:00Z)
• 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)
• From Language Modeling to Instruction Following: Understanding the Behavior Shift in LLMs after Instruction Tuning [63.63840740526497]
  そこで本研究では,本質的な変化に着目した事前学習モデルの調整方法について検討する。 次に、事前訓練されたモデルと命令調整されたモデルから導かれた説明を比較することで、命令チューニングの影響について研究する。 この結果から,指導指導の3つの重要な影響が明らかになった。
  論文  参考訳（メタデータ） (2023-09-30T21:16:05Z)
• Knowledge Rumination for Pre-trained Language Models [77.55888291165462]
  本稿では,学習前の言語モデルが外部コーパスから検索することなく,関連する潜在知識を活用できるようにするための,Knowledge Ruminationと呼ばれる新しいパラダイムを提案する。 本稿では,RoBERTa,DeBERTa,GPT-3などの言語モデルに適用する。
  論文  参考訳（メタデータ） (2023-05-15T15:47:09Z)
• Simple Contrastive Representation Adversarial Learning for NLP Tasks [17.12062566060011]
  教師付きコントラスト対逆学習(SCAL)と教師なしSCAL(USCAL)の2つの新しいフレームワークを提案する。 本稿では,自然言語理解,文意味的テキスト類似性,対人学習タスクのためのTransformerベースのモデルに適用する。 GLUEベンチマークタスクの実験結果から,細調整された教師付き手法はBERT$_base$1.75%以上の性能を示した。
  論文  参考訳（メタデータ） (2021-11-26T03:16:09Z)

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。