論文の概要: OmniEdu: Open Foundation Models for Learning and Teaching

• arxiv url: http://arxiv.org/abs/2609.23088v1
• Date: Sat, 19 Sep 2026 15:47:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.674303
• Title: OmniEdu: Open Foundation Models for Learning and Teaching
• Title（参考訳）: OmniEdu: 学習と教育のためのオープンファウンデーションモデル
• Abstract要約: 我々は、K-12学習と教育のための基礎モデルのオープンファミリーであるOmniEduを紹介する。 インストラクションチューニングコーパスは100以上の教育資源と一般的なインストラクションソースを組み合わせている。 69,999のサンプルと15.96Mの教師付き応答トークンが得られ、60,951の教育特例が含まれている。
• 参考スコア（独自算出の注目度）: 11.288956271736673
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Educational foundation models must solve problems, understand curriculum structure, diagnose learner difficulties, and provide appropriate instructional support. Existing educational language models often focus on either problem solving or tutoring, with training mixtures organized by source or task rather than capability. We present OmniEdu, an open family of foundation models for K-12 learning and teaching. Its instruction-tuning corpus combines over 100 educational resources and general instruction sources, organized around four capabilities: subject competence, curriculum grounding, diagnostic reasoning, and pedagogical action and scaffolding. Our pipeline integrates deterministic cleaning, semantic auditing and rewriting, task-specific quality scoring, token-budgeted diversity selection, and pedagogical instruction assignment. It yields 69,999 examples and 15.96M supervised response tokens, including 60,951 education-specific examples. We fine-tune 4B, 9B, and 27B models and evaluate curriculum grounding, K-12 problem solving, and pedagogical tutoring, alongside general capability. Education-oriented tuning consistently improves all three educational benchmark groups across model scales. OmniEdu-27B achieves 63.12% EM and 76.69% F1 on K12-Bench, 85.89% on MathFish, 86.95% on EDUMATH, and 78.74% in MathTutorBench's Scaffold setting. It also achieves the highest Teaching average on LongTutor among the evaluated models, at 3.02. These results demonstrate the value of curated, capability-balanced supervision for adapting general language models to educational tasks spanning problem solving, curriculum understanding, and instructional support.
• Abstract（参考訳）: 教育基盤モデルは、問題を解き、カリキュラム構造を理解し、学習者の困難を診断し、適切な指導支援を提供する必要がある。 既存の教育用言語モデルは、能力ではなく、ソースまたはタスクによって組織されたトレーニングミックスによって、問題解決またはチュータリングに重点を置いていることが多い。 我々は、K-12学習と教育のための基礎モデルのオープンファミリーであるOmniEduを紹介する。 教科学習コーパスには100以上の教育資源と一般的な教育源が組み込まれており、教科能力、カリキュラム基盤、診断推論、教育行動と足場という4つの能力で構成されている。 我々のパイプラインは、決定論的クリーニング、意味監査と書き換え、タスク固有の品質スコアリング、トークン予算の多様性の選択、教育的指示の割り当てを統合している。 69,999のサンプルと15.96Mの教師付き応答トークンが得られ、60,951の教育特例が含まれている。 我々は,4B,9B,27Bモデルを微調整し,カリキュラムのグラウンディング,K-12問題解決,教育指導,一般能力の評価を行った。 教育指向のチューニングは、モデルスケールにわたる3つの教育ベンチマークグループを一貫して改善する。 OmniEdu-27BはK12-Benchで63.12%、F1で76.69%、MathFishで85.89%、EDUMATHで86.95%、MathTutorBenchで78.74%を達成している。 また、評価されたモデルの中で、LongTutorの教科平均を3.02で達成している。 これらの結果は,問題解決,カリキュラム理解,教育支援を対象とする教育課題に一般言語モデルを適用するための,キュレートされた,能力バランスの取れた指導の価値を示すものである。

関連論文リスト

• EduDial: Constructing a Large-scale Multi-turn Teacher-Student Dialogue Corpus [59.693733170193944]
  EduDialは総合的な多ターン教師/学生対話データセットである。 EduDialは345のコアナレッジポイントをカバーし、教師と学生エージェントの対話によって生成された34,250の対話セッションで構成されている。
  論文  参考訳（メタデータ） (2025-10-14T18:18:43Z)
• Decoding Instructional Dialogue: Human-AI Collaborative Analysis of Teacher Use of AI Tool at Scale [9.092920230987684]
  大規模言語モデルの教育ツールへの統合は、教師の指導計画に大きな影響を与える可能性がある。 本稿では,140,000以上の教育者-AIメッセージの大規模定性分析のための人間-AI協調手法を提案する。
  論文  参考訳（メタデータ） (2025-07-23T23:23:38Z)
• Benchmarking the Pedagogical Knowledge of Large Language Models [4.417539128489408]
  本稿では,その教育的知識に基づいて,大規模言語モデルを評価するための新しいデータセットであるThe Pedagogy Benchmarkを紹介する。 これらのベンチマークは、教師のための専門的開発試験から得られた、慎重にキュレートされた質問に基づいて構築されている。 本報告では, 教育的知識に関する質問に対して, 精度が28%から89%の範囲で, 97モデルの結果を報告する。
  論文  参考訳（メタデータ） (2025-06-23T14:49:01Z)
• MathTutorBench: A Benchmark for Measuring Open-ended Pedagogical Capabilities of LLM Tutors [82.91830877219822]
  我々は、総合的なチューリングモデル評価のためのオープンソースのベンチマークであるMathTutorBenchを紹介する。 MathTutorBenchには、ダイアログベースの教育における科学の研究によって定義された、家庭教師の能力をカバーするデータセットとメトリクスが含まれている。 閉鎖的およびオープンウェイトなモデルの幅広いセットを評価し、問題解決能力によって示される課題の専門知識が、すぐには良い教育に変換されないことを発見した。
  論文  参考訳（メタデータ） (2025-02-26T08:43:47Z)
• Evaluating and Optimizing Educational Content with Large Language Model Judgments [52.33701672559594]
  言語モデル(LM)を教育専門家として活用し,学習結果に対する様々な指導の影響を評価する。 本稿では,一方のLMが他方のLMの判断を報酬関数として利用して命令材料を生成する命令最適化手法を提案する。 ヒトの教師によるこれらのLM生成ワークシートの評価は、LM判定と人間の教師の嗜好との間に有意な整合性を示す。
  論文  参考訳（メタデータ） (2024-03-05T09:09:15Z)
• MathDial: A Dialogue Tutoring Dataset with Rich Pedagogical Properties Grounded in Math Reasoning Problems [74.73881579517055]
  そこで本稿では,一般学生の誤りを表現した大規模言語モデルを用いて,人間教師の対話を生成する枠組みを提案する。 このフレームワークを用いて3kの1対1の教師-学生対話のデータセットであるMathDialを収集する方法について述べる。
  論文  参考訳（メタデータ） (2023-05-23T21:44:56Z)

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。