論文の概要: CoLearn: An Agentic Tutor that Learns its Learner in a Human--AI Co-Learning Loop

• arxiv url: http://arxiv.org/abs/2609.21154v1
• Date: Thu, 17 Sep 2026 23:48:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.797116
• Title: CoLearn: An Agentic Tutor that Learns its Learner in a Human--AI Co-Learning Loop
• Title（参考訳）: CoLearn:AIコラーニングループで学習するエージェントチューター
• Abstract要約: CoLearnは反復型チュータループをサポートするエージェント型チュータである。 学習者の熟達と誤解の根拠に基づく記憶を構築する。 この記憶は証拠が蓄積されると更新され、次のパーソナライズされた質問を生成するために使用される。
• 参考スコア（独自算出の注目度）: 27.849797189752575
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Good tutoring adapts to the individual: it tracks what a learner knows, notices why they go wrong, and asks the next question that will help most. Most deployed tutoring tools instead serve fixed item banks and treat a wrong answer as a single bit of signal. We present CoLearn, an interactive, agentic tutor that supports an iterative tutoring loop: the learner practises, and the system builds an evidence-grounded memory of the learner's mastery and misconceptions. This memory is updated as evidence accumulates and is used to generate the next personalised question. CoLearn has three components: (i) a persistent learner-state memory that updates per-topic mastery with a soft-evidence variant of Bayesian Knowledge Tracing, where a large language model acts as a continuous observation function; (ii) adaptive question generation that targets the learner's weakest topic and recurring misconceptions; and (iii) an evidence view that makes personalisation visible and testable through live progress visualisation and blind A/B comparison. In blind A/B evaluation, questions conditioned on this memory are preferred over non-personalised ones 68-69% of the time, and in persona simulations with hidden ground-truth mastery the agent's belief converges toward the learner's true mastery.
• Abstract（参考訳）: 学習者が知っていることを追跡し、なぜ失敗するのかを認識し、最も役に立つ次の質問をする。 ほとんどのデプロイされたチューターツールは固定アイテムバンクを提供し、間違った回答を1ビットの信号として扱う。 本稿では,反復学習ループをサポートする対話型エージェント型チューターであるCoLearnについて紹介する。 この記憶は証拠が蓄積されると更新され、次のパーソナライズされた質問を生成するために使用される。 CoLearnには3つのコンポーネントがある。 (i)大規模言語モデルが連続的な観察機能として機能するベイズ知識追跡のソフトエビデンス変種を用いて、トピックごとの熟達を更新する永続的な学習者状態記憶。 (II)学習者の最も弱い話題と繰り返し起こる誤解を対象とする適応的質問生成 三 生の進歩の可視化及び盲目A/B比較により、個人化を目に見えるものにし、検証し得る証拠の見解。 ブラインドA/B評価では、この記憶に条件づけられた質問は、68～69%の時間において非個人化された質問よりも好まれ、隠れた地道的な熟達を伴うペルソナシミュレーションでは、エージェントの信念は学習者の真の熟達に向けて収束する。

関連論文リスト

• MAGE: Multi-Agent Self-Evolution with Co-Evolutionary Knowledge Graphs [24.729167190222782]
  本稿では,自己知識を4つの部分からなる共進化的知識グラフに外部化するフレームワークであるMAGEを紹介する。 MAGEは、プロンプトベースのフリーズバックボーンベースラインに対して強力なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-11T06:39:51Z)
• Teaching According to Students' Aptitude: Personalized Mathematics Tutoring via Persona-, Memory-, and Forgetting-Aware LLMs [28.594039597149266]
  我々は,ペルソナ,記憶,ダイナミクスを取り入れた学習支援フレームワークであるTAS(Teaching Based by Students' Aptitude)を提案する。 具体的には、TASAは、熟練度プロファイルをキャプチャする構造化された学生ペルソナと、事前学習インタラクションを記録するイベントメモリを維持している。 TASAは、学習者の熟達状態を動的に更新し、文脈的に適切で難解な質問や説明を生成する。
  論文  参考訳（メタデータ） (2025-11-19T06:28:16Z)
• Memento No More: Coaching AI Agents to Master Multiple Tasks via Hints Internalization [56.674356045200696]
  本稿では,複雑なメモシステムや事前の高品質な実演データを必要としない,複数のタスクに対する知識とスキルを取り入れたAIエージェントの訓練手法を提案する。 このアプローチでは,エージェントが新たな経験を収集し,ヒントの形で人間から補正フィードバックを受け取り,このフィードバックを重みに組み込む,反復的なプロセスを採用している。 Llama-3をベースとしたエージェントに実装することで,数ラウンドのフィードバックの後,高度なモデルGPT-4oとDeepSeek-V3をタスクセットで性能向上させる手法の有効性を実証する。
  論文  参考訳（メタデータ） (2025-02-03T17:45:46Z)
• 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)
• R-Tuning: Instructing Large Language Models to Say `I Don't Know' [66.11375475253007]
  大きな言語モデル(LLM)は、優れたパフォーマンスで多くのドメインに革命をもたらしたが、それでもその課題に直面している。 事前の指導チューニング方法は、モデルが知識を知っているかどうかに関わらず、モデルに文章を完成させるよう強制する。 我々はRefusal-Aware Instruction Tuning (R-Tuning)と呼ばれる新しいアプローチを提案する。 実験の結果、R-Tuningは、既知の質問に答えたり、未知の質問に答えるのを控えるモデルの能力を効果的に改善することを示した。
  論文  参考訳（メタデータ） (2023-11-16T08:45:44Z)
• Learning Transferable Pedestrian Representation from Multimodal Information Supervision [174.5150760804929]
  VAL-PATは、移動可能な表現を学習し、様々な歩行者分析タスクをマルチモーダル情報で強化する新しいフレームワークである。 まず、LUPerson-TAデータセットで事前トレーニングを行い、各画像にはテキストと属性アノテーションが含まれている。 次に、学習した表現を、人物のreID、人物属性認識、テキストベースの人物検索など、さまざまな下流タスクに転送する。
  論文  参考訳（メタデータ） (2023-04-12T01:20:58Z)
• Explainable Active Learning (XAL): An Empirical Study of How Local Explanations Impact Annotator Experience [76.9910678786031]
  本稿では、最近急増している説明可能なAI(XAI)のテクニックをアクティブラーニング環境に導入することにより、説明可能なアクティブラーニング(XAL)の新たなパラダイムを提案する。 本研究は,機械教育のインタフェースとしてのAI説明の利点として,信頼度校正を支援し,リッチな形式の教示フィードバックを可能にすること,モデル判断と認知作業負荷による潜在的な欠点を克服する効果を示す。
  論文  参考訳（メタデータ） (2020-01-24T22:52:18Z)

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。