論文の概要: Modeling Student Sensemaking with LLMs and Knowledge-Graph-Guided Inference

• arxiv url: http://arxiv.org/abs/2609.31046v1
• Date: Fri, 25 Sep 2026 09:41:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.328325
• Title: Modeling Student Sensemaking with LLMs and Knowledge-Graph-Guided Inference
• Title（参考訳）: LLMと知識グラフ誘導推論を用いた学生センスメイキングのモデル化
• Abstract要約: 協調的な科学学習は、学習者が知識ギャップを識別し、説明を構築し、解決に向けて作業する方法を特徴付けるために、学生対話のニュアンスな解釈を必要とする。 タスク固有の訓練を使わずに協調的感覚形成の多次元的解析を支援することができるかを検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Collaborative science learning requires nuanced interpretation of student dialogue to characterize how learners identify knowledge gaps, build explanations, and work toward resolution - a theory-driven analysis that is labor-intensive and difficult to scale. We investigate whether instruction-tuned large language models (LLMs) can support multidimensional analysis of collaborative sensemaking without task-specific training, and whether structured knowledge-state information improves model inference. We evaluate two mid-size LLMs on 23 richly annotated, expert-labeled episodes across prompting conditions that vary definitional scaffolding, reasoning mode, and turn structure. Without reasoning, models tend to overpredict successful sensemaking; reasoning-enabled prompting improves identification of unsuccessful cases. Knowledge-state diagnostics provide additional grounding, improving detection of unsuccessful sensemaking and increasing agreement with expert annotations. No single configuration performs best across all sensemaking dimensions, underscoring the multidimensional nature of the task.
• Abstract（参考訳）: 協調的な科学学習は、学習者が知識ギャップを識別し、説明を構築し、解決に向けて作業する方法を特徴付けるために、学生対話のニュアンスな解釈を必要とする。 本研究では,タスク固有の訓練を伴わずに協調感覚の多次元的分析を支援することができるか,構造化知識状態情報がモデル推論を改善するかを検討する。 定義的足場, 推論モード, 旋回構造が異なる条件下で, リッチな注釈付き, エキスパートラベル付きエピソードの2つの中型LCMを評価した。 推論がなければ、モデルは成功するセンスメイキングを過大評価する傾向がある。 知識状態診断は、さらなる根拠を与え、センスメイキングの失敗の検出を改善し、専門家のアノテーションとの合意を高める。 単一の構成はすべての感覚形成次元で最善を尽くさず、タスクの多次元的な性質を暗示している。

関連論文リスト

• Interpreting Learning Under Competing Models: Joint and Stepwise Approaches for Dynamic Cognitive Diagnosis [0.0]
  語彙と理解を測る2つの読書ゲームから2年生から3年生までのデータを分析した。 この決定は,学習者の発達に関する実質的な結論を変えることができることを示す。 シミュレーション研究は、2つの分析が分岐した時期を特定し、アイテムスキル構造が不確実な場合、関節分析がより信頼性が高いことを示す。
  論文  参考訳（メタデータ） (2026-06-05T01:08:48Z)
• Construct, Align, and Reason: Large Ontology Models for Enterprise Knowledge Management [9.901440359781732]
  従来の知識グラフは暗黙の関係発見に苦慮し、複雑な質問に対する十分な意味理解が欠けている。 我々は,大規模オントロジーモデル (LOM) である統合構成-アライン-レアソンフレームワークを導入する。 構造理解を改善するため,オントロジー命令の微調整,ノードセマンティックエンコーディングを強化するためにテキストオントロジーを基礎とする,カリキュラム学習によるオントロジー言語対をマルチタスクでチューニングし,セマンティック推論を強化する,という3段階の訓練パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-01-18T05:30:03Z)
• Unveiling the Learning Mind of Language Models: A Cognitive Framework and Empirical Study [45.82081693725339]
  大規模言語モデル(LLM)は、数学、コーディング、推論といったタスクにまたがる印象的な機能を示している。 しかし、彼らの学習能力は、動的環境に適応し、新しい知識を得るのに不可欠であり、まだ過小評価されていない。
  論文  参考訳（メタデータ） (2025-06-16T13:24:50Z)
• Improving Multilingual Retrieval-Augmented Language Models through Dialectic Reasoning Argumentations [65.11348389219887]
  そこで,Dialectic-RAG(Dialectic-RAG, DRAG)を提案する。 我々は、文脈内学習戦略と、より小さなモデルをインストラクションするための実演の構築の両方において、我々のフレームワークが与える影響を示す。
  論文  参考訳（メタデータ） (2025-04-07T06:55:15Z)
• Disentangling Memory and Reasoning Ability in Large Language Models [97.26827060106581]
  本稿では、複雑な推論プロセスを2つの異なる明確なアクションに分解する新しい推論パラダイムを提案する。 実験の結果, この分解によりモデル性能が向上し, 推論プロセスの解釈可能性も向上することがわかった。
  論文  参考訳（メタデータ） (2024-11-20T17:55:38Z)
• StructRAG: Boosting Knowledge Intensive Reasoning of LLMs via Inference-time Hybrid Information Structurization [94.31508613367296]
  Retrieval-augmented Generation(RAG)は、大規模言語モデル(LLM)を効果的に強化する鍵となる手段である。 本稿では,手前のタスクに対して最適な構造型を識別し,元の文書をこの構造化形式に再構成し,その結果に基づいて回答を推測するStructRAGを提案する。 実験の結果、StructRAGは最先端のパフォーマンスを実現し、特に挑戦的なシナリオに優れていた。
  論文  参考訳（メタデータ） (2024-10-11T13:52:44Z)
• Hierarchical Deconstruction of LLM Reasoning: A Graph-Based Framework for Analyzing Knowledge Utilization [30.349165483935682]
  大規模言語モデル(LLM)が推論の知識をどのように利用するのかは、まだよく分かっていない。 我々は,DepthQAデータセットを開発し,質問を3つの深さに分解する: (i)概念的知識の想起, (ii)手続き的知識の適用, (iii)戦略的知識の分析。 差分パターンは、モデルのキャパシティとトレーニングデータ記憶の可能性にまたがって観察される。
  論文  参考訳（メタデータ） (2024-06-27T19:29:36Z)

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。