論文の概要: DataCanvas-EDU: An Agentic Framework for Instructor-Guided Synthetic Data Generation in Business Analytics Education

• arxiv url: http://arxiv.org/abs/2609.19617v1
• Date: Thu, 17 Sep 2026 03:08:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.074659
• Title: DataCanvas-EDU: An Agentic Framework for Instructor-Guided Synthetic Data Generation in Business Analytics Education
• Title（参考訳）: DataCanvas-EDU:ビジネス分析教育におけるインストラクタ主導型合成データ生成のためのエージェントフレームワーク
• Abstract要約: DataCanvas-EDUは、ビジネス分析教育におけるインストラクター誘導型合成データ生成のためのエージェントフレームワークである。 AIエージェントは生成コードを書き、結果のデータをチェックし、割り当て、参照分析、ルーブリックを準備する。 このフレームワークは、学生がAIで新しく設計されたパターンを調査する機会を作りながら、ケースの準備を簡単にすることを目的としている。
• 参考スコア（独自算出の注目度）: 3.399919481602167
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Business analytics education requires diverse datasets to support different learning objectives, student backgrounds, and analytical tasks. Real-world data can be difficult to obtain and offer limited flexibility for adapting a case to a particular course. Even when suitable data are available, instructors must investigate the patterns, verify the results, and prepare assignments and reference solutions, requiring substantial time and effort. The use of large language models (LLMs) introduces an additional concern about training data contamination. Widely used public datasets often have extensive tutorials and worked analyses that models may have encountered during training. Students may therefore receive explanations drawn from existing analyses without practicing how to investigate unfamiliar data in collaboration with AI. This paper presents DataCanvas-EDU, an agentic framework for instructor-guided synthetic data generation in business analytics education. Instructors specify teaching goals and intended patterns through conversation, while an AI agent writes generation code, checks the resulting data, and prepares assignments, reference analyses, and rubrics. Four phases, Plan, Create, Verify / Test Analysis, and Evaluate, organize the process and support instructor review and revision. The framework is intended to simplify case preparation while creating opportunities for students to investigate newly designed patterns with AI. We illustrate the approach with WindowDash, a food delivery case containing 15,000 orders and nine designed patterns. DataCanvas-EDU is packaged as a reusable AI Agent Skill for compatible agent environments, with the package and installation instructions available at https://github.com/BANG23333/datacanvas-edu
• Abstract（参考訳）: ビジネス分析教育は、さまざまな学習目標、学生のバックグラウンド、分析タスクをサポートするために多様なデータセットを必要とする。 実世界のデータは入手が困難であり、特定のコースにケースを適用するための柔軟性が制限される。 適切なデータが利用可能であっても、インストラクターはパターンを調査し、結果を確認し、割り当てと参照ソリューションを準備し、相当な時間と労力を要する。 大規模言語モデル(LLM)の使用は、データ汚染のトレーニングに関するさらなる懸念をもたらす。 広く使われているパブリックデータセットは、トレーニング中にモデルが遭遇したかもしれない広範なチュートリアルや分析を行うことが多い。 したがって、既存の分析から引き出された説明を受けられるが、AIと協調して不慣れなデータを調査する方法を実践する必要はない。 本稿では,ビジネス分析教育におけるインストラクター誘導型合成データ生成のためのエージェントフレームワークであるDataCanvas-EDUを提案する。 インストラクタは会話を通じて目標と意図されたパターンを指示し、AIエージェントは生成コードを書き、得られたデータをチェックし、割り当て、参照分析、ルーブリックを準備する。 Plan、Create、Verify / Test Analysis、Evaluateの4つのフェーズがプロセスを編成し、インストラクターのレビューとリビジョンをサポートする。 このフレームワークは、学生がAIで新しく設計されたパターンを調査する機会を作りながら、ケースの準備を簡単にすることを目的としている。 WindowDashは、15,000の注文と9つのデザインパターンを含むフードデリバリーケースである。 DataCanvas-EDUは、互換性のあるエージェント環境のための再利用可能なAIエージェントスキルとしてパッケージされ、パッケージとインストール手順はhttps://github.com/BANG23333/datacanvas-eduで公開されている。

関連論文リスト

• LLM-itation is the Sincerest Form of Data: Generating Synthetic Buggy Code Submissions for Computing Education [5.421088637597145]
  大規模言語モデル(LLM)は、大規模でプライバシを保存する合成データを作成するための有望なアプローチを提供する。 本研究は,GPT-4oを用いた導入プログラミング演習のための合成バグギーコード生成について検討する。 合成データと実生データ間のテストケース故障の分布を比較し,実生データを模倣した合成データの精度を解析した。
  論文  参考訳（メタデータ） (2024-11-01T00:24:59Z)
• DataEnvGym: Data Generation Agents in Teacher Environments with Student Feedback [62.235925602004535]
  DataEnvGymは、データ生成エージェントのための教師環境のテストベッドである。 エージェントとデータ生成エンジンを含むシーケンシャルな意思決定タスクとして、データ生成をフレーム化する。 学生は、生成されたデータに基づいて反復的に訓練され、評価され、各イテレーション後にエージェントにフィードバックが報告される。
  論文  参考訳（メタデータ） (2024-10-08T17:20:37Z)
• Data Analysis in the Era of Generative AI [56.44807642944589]
  本稿では,AIを活用したデータ分析ツールの可能性について考察する。 我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。 次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
  論文  参考訳（メタデータ） (2024-09-27T06:31:03Z)
• Self-Regulated Data-Free Knowledge Amalgamation for Text Classification [9.169836450935724]
  そこで我々は,複数の教師モデルから学習できる軽量な学生ネットワークを構築した。 そこで本研究では,各教師に適したテキストデータを生成するモデリングフレームワークSTRATANETを提案する。 本手法は,ラベルやドメインの異なる3つのベンチマークテキスト分類データセットを用いて評価する。
  論文  参考訳（メタデータ） (2024-06-16T21:13:30Z)
• A Survey of Learning on Small Data: Generalization, Optimization, and Challenge [101.27154181792567]
  ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。 この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。 効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
  論文  参考訳（メタデータ） (2022-07-29T02:34:19Z)
• Understanding Machine Learning Practitioners' Data Documentation Perceptions, Needs, Challenges, and Desiderata [10.689661834716613]
  データは機械学習(ML)モデルの開発と評価の中心である。 責任あるAIの実践を促進するために、研究者と実践者はデータドキュメントの増加を提唱し始めた。 これらのデータドキュメンテーションフレームワークがML実践者のニーズを満たすかどうかについてはほとんど研究されていない。
  論文  参考訳（メタデータ） (2022-06-06T21:55:39Z)
• Process-BERT: A Framework for Representation Learning on Educational Process Data [68.8204255655161]
  本稿では,教育プロセスデータの表現を学習するためのフレームワークを提案する。 我々のフレームワークは、BERT型の目的を用いて、シーケンシャルなプロセスデータから表現を学習する事前学習ステップで構成されています。 当社のフレームワークは,2019年国のレポートカードデータマイニングコンペティションデータセットに適用しています。
  論文  参考訳（メタデータ） (2022-04-28T16:07:28Z)
• Data Cards: Purposeful and Transparent Dataset Documentation for Responsible AI [0.0]
  我々は、データセットの透明性、目的、人間中心のドキュメンテーションを促進するためのデータカードを提案する。 データカードは、利害関係者が必要とするMLデータセットのさまざまな側面に関する重要な事実の要約である。 実世界のユーティリティと人間中心性にデータカードを基盤とするフレームワークを提示する。
  論文  参考訳（メタデータ） (2022-04-03T13:49:36Z)

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。