Fugu-MT 論文翻訳(概要): Beyond Retrieval: Scaffolding Children's Online Learning

論文の概要: Beyond Retrieval: Scaffolding Children's Online Learning

arxiv url: http://arxiv.org/abs/2609.15568v1
Date: Mon, 14 Sep 2026 13:46:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 07:15:06.41631
Title: Beyond Retrieval: Scaffolding Children's Online Learning
Title（参考訳）: Beyond Retrieval: 子どものオンライン学習を悩ませる
Abstract要約: 子どもたちは、主に成人などの主流層向けに設計されたオンライン情報アクセスシステムに目を向ける傾向にある。この知識の欠如は、彼らの好奇心と重要な検索スキルの発達を妨げる可能性がある。本研究は, 子どもを検索プロセスの積極的参加者として位置づけ, 単純な検索作業ではなく, 足場学習体験として捉えている。
参考スコア（独自算出の注目度）: 4.811668614405043
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Children increasingly turn to online information access systems that are primarily designed for the mainstream population, e.g., adults, but possess a limited understanding of how these systems work, contributing to their unstructured and ineffective search practices. This lack of knowledge can hinder their curiosity and the development of critical search skills. Grounded on the existing literature of both child-oriented Information Retrieval and Human Computer Interaction, our work positions children as active participants in the search process, framing it as a scaffolded learning experience rather than a simple retrieval task.
Abstract（参考訳）: 子どもたちは、主に成人などの主流層向けに設計されたオンライン情報アクセスシステムに目を向ける傾向にあるが、これらのシステムがどのように機能するかを限定的に理解しており、その非構造的で非効率的な検索プラクティスに寄与している。この知識の欠如は、彼らの好奇心と重要な検索スキルの発達を妨げる可能性がある。我々の研究は、児童指向情報検索とヒューマン・コンピュータ・インタラクションの両方の既存の文献に基づいて、子どもを単純な検索作業ではなく足場学習体験として、探索プロセスに積極的に参加していると位置づけている。

関連論文リスト

Evolving Paradigms in Task-Based Search and Learning: A Comparative Analysis of Traditional Search Engine with LLM-Enhanced Conversational Search System [5.956874084659983]
大規模言語モデル (LLM) は、対話的、生成的、推論駆動型検索を可能にすることで、情報検索を急速に再構築している。本研究では,標準検索エンジンとLLMを用いた検索システムという,2つの環境における探索行動と学習結果を比較した。
論文参考訳（メタデータ） (2025-11-29T04:14:14Z)
Exploring Parent's Needs for Children-Centered AI to Support Preschoolers' Interactive Storytelling and Reading Activities [52.828843153565984]
AIベースのストーリーテリングと読書技術は、幼児の生活の中でますます普及しつつある。本稿では,実践的なストーリーテリングや読書のシナリオでどのように機能するか,親,最も重要な利害関係者,経験,知覚について考察する。我々の研究結果は、AIベースのストーリーテリングと読書技術は、より没入的で活発な相互作用を提供するが、一連の対話的でアルゴリズム的な課題のために、両親の期待を満たすことはできないことを示唆している。
論文参考訳（メタデータ） (2024-01-24T20:55:40Z)
Conversational Agents and Children: Let Children Learn [3.5674815260438764]
オンラインリソースを求めて子どもたちをガイドできる(対話型)エージェントを設計、開発、展開する必要性について論じる。エージェントは「子供たちに学ばせる」べきであり、教師・ファシリテーターの機能を引き継ぐために構築されるべきである、と我々は主張する。
論文参考訳（メタデータ） (2023-02-23T14:12:03Z)
Knowledge-augmented Deep Learning and Its Applications: A Survey [60.221292040710885]
知識強化ディープラーニング(KADL)は、ドメイン知識を特定し、それをデータ効率、一般化可能、解釈可能なディープラーニングのためのディープモデルに統合することを目的としている。本調査は,既存の研究成果を補足し,知識強化深層学習の一般分野における鳥眼研究の展望を提供する。
論文参考訳（メタデータ） (2022-11-30T03:44:15Z)
Let's Learn from Children: Scaffolding to Enable Search as Learning in the Educational Environment [3.7448613209842967]
我々は、検索を子どもを主な利害関係者とする学習と見なす必要性を論じている。この研究の主な貢献は、小学校の教室に焦点を当てたオープンな課題のリストである。
論文参考訳（メタデータ） (2022-09-06T09:54:15Z)
Teachable Reinforcement Learning via Advice Distillation [161.43457947665073]
外部教師が提供した構造化アドバイスから学習する「教育可能な」意思決定システムに基づく対話型学習のための新しい指導パラダイムを提案する。我々は、アドバイスから学ぶエージェントが、標準的な強化学習アルゴリズムよりも人的監督力の少ない新しいスキルを習得できることを示す。
論文参考訳（メタデータ） (2022-03-19T03:22:57Z)
StoryBuddy: A Human-AI Collaborative Chatbot for Parent-Child Interactive Storytelling with Flexible Parental Involvement [61.47157418485633]
私たちは、インタラクティブなストーリーテリング体験を作成するためのAI対応システムであるStoryBuddyを開発した。ユーザスタディでは、StoryBuddyのユーザビリティを検証し、将来の親とAIのコラボレーションシステムの設計上の洞察を提案した。
論文参考訳（メタデータ） (2022-02-13T04:53:28Z)
From Psychological Curiosity to Artificial Curiosity: Curiosity-Driven Learning in Artificial Intelligence Tasks [56.20123080771364]
心理学的好奇心は、探索と情報取得を通じて学習を強化するために、人間の知性において重要な役割を果たす。人工知能(AI)コミュニティでは、人工好奇心は効率的な学習に自然な本質的な動機を与える。 CDLはますます人気を博し、エージェントは新たな知識を学習するために自己動機付けされている。
論文参考訳（メタデータ） (2022-01-20T17:07:03Z)
Searching to Learn with Instructional Scaffolding [7.159235937301605]
本稿では,3つの戦略を用いた探索システムへの足場導入について検討する。 AQE_SCは、関連するサブトピックによるユーザクエリの自動拡張、CURATED_SCは、検索エンジンの結果ページに、手動でキュレートされた関連するサブトピックの静的リストを表示する。 FEEDBACK_SC – CURATED_SCビジュアライゼーションの上に、ユーザのトピック空間探索に関するリアルタイムフィードバックを投影する。
論文参考訳（メタデータ） (2021-11-29T15:15:02Z)
Curriculum Learning for Reinforcement Learning Domains: A Framework and Survey [53.73359052511171]
強化学習(Reinforcement Learning, RL)は、エージェントが限られた環境フィードバックしか持たないシーケンシャルな意思決定タスクに対処するための一般的なパラダイムである。本稿では、RLにおけるカリキュラム学習(CL)の枠組みを提案し、既存のCLメソッドを仮定、能力、目標の観点から調査・分類する。
論文参考訳（メタデータ） (2020-03-10T20:41:24Z)

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。