論文の概要: PersonaPath: Towards Knowledge-Centric Personalized Learning Path Planning

• arxiv url: http://arxiv.org/abs/2609.18861v1
• Date: Wed, 16 Sep 2026 16:00:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.887184
• Title: PersonaPath: Towards Knowledge-Centric Personalized Learning Path Planning
• Title（参考訳）: ペルソナパス:知識中心のパーソナライズドラーニングパス計画に向けて
• Abstract要約: そこでは,学習者プロファイル,熟達状態,必要な知識構造をプランナが判断し,次にどの教科書,単位,概念を学習すべきかを判断する必要がある。 この設定をサポートするために、77名の被験者を対象に、347の教科書、1,751のユニット、4,092の概念からなる階層的知識グラフと2,000のきめ細かい学習者ペルソナをペアリングするベンチマークであるPersonaPathを紹介した。 その結果、最強のLCMでさえ基礎教育において29.5%の最終合格率にしか達せず、主なボトルネックは適応性にある。
• 参考スコア（独自算出の注目度）: 64.24264403980494
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adaptive learning systems commonly formulate learning path planning as Exercise-Centric (EC) recommendation, where the next step is inferred from item-level interaction logs. Evaluating goal-oriented guidance additionally requires explicit learner goals and curriculum-scale prerequisites: learners with similar exercise records may need different paths toward their targets. We therefore study Knowledge-Centric (KC) personalized learning path planning, where a planner must reason over learner profiles, mastery states, and prerequisite knowledge structures to decide which textbook, unit, and concept should be studied next. To support this setting, we introduce PersonaPath, a benchmark that pairs 2,000 fine-grained learner personas with a hierarchical knowledge graph of 347 textbooks, 1,751 units, and 4,092 concepts across 77 subjects. We evaluate representative LLMs on PersonaPath. Results show that even the strongest LLM reaches only a 29.5% final pass rate in Basic Education, and that the main bottleneck lies in adaptivity, where no model exceeds 44.7% in tailoring paths to individual learners.
• Abstract（参考訳）: 適応学習システムは、通常、アイテムレベルの対話ログから次のステップを推測するエクササイズ・センター(EC)レコメンデーションとして学習経路計画を定式化する。 目標指向のガイダンスを評価するには、明確な学習目標とカリキュラム規模の前提条件が必要である。 そこで我々は,学習者プロファイル,熟達状態,必要な知識構造をプランナが判断し,次にどの教科書,単位,概念を学習すべきかを判断する,知識中心(KC)パーソナライズされた学習経路計画について検討する。 この設定をサポートするために、77名の被験者を対象に、347の教科書、1,751のユニット、4,092の概念からなる階層的知識グラフと2,000のきめ細かい学習者ペルソナをペアリングするベンチマークであるPersonaPathを紹介した。 ペルソナパスにおける代表LSMの評価を行った。 その結果,最強のLLMでさえ,初等教育における最終合格率は29.5%に過ぎず,適応性に最大のボトルネックがある。

関連論文リスト

• Mapping data literacy trajectories in K-12 education [0.0]
  データリテラシーのスキルは、コンピュータサイエンスの教育に欠かせない。 データ駆動システムの動作を理解することは、従来のルールベースのプログラミングからのパラダイムシフトを表している。 i)論理(知識ベースまたはデータ駆動システム)と(ii)説明可能性(透明または不透明モデル)の2つの側面に沿って学習活動を分類するデータパラダイムフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-30T11:38:07Z)
• Personalized Learning Path Planning with Goal-Driven Learner State Modeling [68.96987567845824]
  パーソナライズされた学習パスのための新しいフレームワークであるPxploreを紹介する。 構造化学習状態モデルと,抽象目的を計算可能な信号に変換する自動報酬関数を設計する。 実験は、コヒーレントでパーソナライズされた目標駆動学習パスを生成する上で、Pxploreの有効性を検証する。
  論文  参考訳（メタデータ） (2025-10-15T06:59:49Z)
• GraphRAG-Induced Dual Knowledge Structure Graphs for Personalized Learning Path Recommendation [56.37740554448673]
  本稿では知識概念構造グラフ生成モジュールEDU-GraphRAGを紹介する。 次に、ブロックされた学習経路の問題を緩和する識別学習駆動強化学習(DLRL)モジュールを提案する。 我々は3つのベンチマークデータセットに対して広範な実験を行い、その手法が最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-06-27T15:15:42Z)
• LLM-powered Multi-agent Framework for Goal-oriented Learning in Intelligent Tutoring System [54.71619734800526]
  GenMentorは、ITS内で目標指向でパーソナライズされた学習を提供するために設計されたマルチエージェントフレームワークである。 学習者の目標を、カスタムのゴール・トゥ・スキルデータセットでトレーニングされた微調整LDMを使用して、必要なスキルにマッピングする。 GenMentorは、個々の学習者のニーズに合わせて探索・描画・統合機構で学習内容を調整する。
  論文  参考訳（メタデータ） (2025-01-27T03:29:44Z)
• Educational Personalized Learning Path Planning with Large Language Models [0.0]
  本稿では,これらの課題に対処するために,大規模言語モデル(LLM)と迅速なエンジニアリングを統合する新しいアプローチを提案する。 学習者固有の情報を組み込んだプロンプトを設計することにより,LLama-2-70B や GPT-4 などの LLM をガイドし,パーソナライズ,一貫性,教育的な学習経路を生成する。
  論文  参考訳（メタデータ） (2024-07-16T14:32:56Z)
• CITING: Large Language Models Create Curriculum for Instruction Tuning [35.66902011221179]
  我々は、AIモデルを人間の代わりに活用して、学生のLLMを訓練するアイデアを生かしている。 本手法は, 教師が提示したリビジョンから, 筆跡を追従し, 書字スキルを磨く方法に着想を得たものである。
  論文  参考訳（メタデータ） (2023-10-04T01:58:34Z)
• Towards a General Pre-training Framework for Adaptive Learning in MOOCs [37.570119583573955]
  異種学習要素を適切に活用した,データ観測と学習スタイル分析に基づく統合フレームワークを提案する。 授業の構造やテキスト,知識は,学生の非逐次学習行動に本質的に整合性があり,モデリングに有用であることがわかった。
  論文  参考訳（メタデータ） (2022-07-18T13:18:39Z)
• R-VGAE: Relational-variational Graph Autoencoder for Unsupervised Prerequisite Chain Learning [83.13634692459486]
  本稿では,概念リソースノードからなるグラフ内の概念関係を予測するために,グラフオートエンコーダ(VGA-E)と呼ばれるモデルを提案する。 その結果, 教師なし手法は, グラフベースの半教師付き手法やベースライン法よりも9.77%, 10.47%, 前提条件関係予測精度とF1スコアに優れていた。 提案手法は,教師なし事前学習のタスクに深層学習表現を適用しようとする最初のグラフベースモデルである。
  論文  参考訳（メタデータ） (2020-04-22T14:48:03Z)

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。