論文の概要: From Learner Behavior to Reusable Skills for Effective and Efficient Learner Simulation

• arxiv url: http://arxiv.org/abs/2609.37157v2
• Date: Fri, 02 Oct 2026 15:05:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:29.949261
• Title: From Learner Behavior to Reusable Skills for Effective and Efficient Learner Simulation
• Title（参考訳）: 効果的な学習者シミュレーションのための学習者行動から再利用可能なスキルへ
• Abstract要約: 学習者シミュレーションは、特定の学習者が新しいタスクに対してどのように振る舞うかを再現することを目的としている。 既存のアプローチでは、学習者を再構築するために、成長するインタラクション履歴を繰り返す必要があることが多い。 本稿では,過去のインタラクションから得られたシミュレーション機能を,永続的で再利用可能なスキルシミュレーションに外部化するLearner2Skillを提案する。
• 参考スコア（独自算出の注目度）: 25.91347998011672
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learner simulation aims to reproduce how a particular learner behaves on new tasks. Although Large Language Models (LLMs) can generate increasingly fine-grained learning behaviors, existing approaches often need to repeatedly process a growing interaction history to reconstruct the learner. This introduces additional context and inference costs and makes the acquired learner-specific simulation capability difficult to reuse across different LLMs. We therefore propose Learner2Skill, which externalizes the simulation capability acquired from historical interactions into a persistent and reusable Simulation Skill. The Skill captures the learner's current learning state and recurring response patterns, evolves as new real interactions arrive, and can be adapted to a new LLM through lightweight executor calibration without reconstructing the learner from scratch. Experiments show that Learner2Skill more faithfully reproduces fine-grained learner behavior while reducing overall token cost, and that the same constructed Skills can be effectively reused across different LLM executors.
• Abstract（参考訳）: 学習者シミュレーションは、特定の学習者が新しいタスクに対してどのように振る舞うかを再現することを目的としている。 大規模言語モデル(LLM)は、よりきめ細かな学習行動を生成することができるが、既存のアプローチでは、学習者を再構築するために、成長するインタラクション履歴を繰り返し処理する必要があることが多い。 これにより、追加のコンテキストと推論コストを導入し、取得した学習者固有のシミュレーション機能を異なるLLM間で再利用することが困難になる。 そこで本稿では,過去のインタラクションから得られたシミュレーション能力を,永続的で再利用可能なシミュレーションスキルに外部化するLearner2Skillを提案する。 Skillは学習者の現在の学習状況と繰り返しの応答パターンをキャプチャし、新しいリアルインタラクションが到着するにつれて進化し、学習者をゼロから再構築することなく、軽量なエグゼキュータキャリブレーションを通じて新しいLCMに適応することができる。 実験により,Learner2Skillはトークンコストを低減しつつ,よりきめ細かい学習行動を忠実に再現し,異なるLLMエグゼクタ間で,同じ構成のスキルを効果的に再利用できることが示されている。

関連論文リスト

• SimSkill: A Self-Evolving LLM Agent for Skill and Knowledge Accumulation in Traffic Simulation [9.969873227231963]
  累積的な文化は、人間が経験や世代にわたって知識とスキルを保存し、再利用し、拡張することを可能にする。 都市運動シミュレーション(SUMO)の交通シミュレータを中心に構築された自己進化型エージェントである textitSimSkill を紹介する。 SimSkillは、継続的に能力ギャップを特定し、環境に根ざしたタスクを生成し、解決し、アクションクリティカルループを通じてソリューションを検証する。
  論文  参考訳（メタデータ） (2026-09-03T12:23:56Z)
• SkillLearnBench: Benchmarking Continual Learning Methods for Agent Skill Generation on Real-World Tasks [32.195367070060904]
  SkillLearnBenchは連続的なスキル学習手法を評価するための最初のベンチマークである。 継続的学習は、明確で再利用可能なタスクを改善するが、オープンなタスクでは苦労する。 我々のデータとコードはhttps://github.com/cscmu/SkillLearnBench.comでオープンソース化されています。
  論文  参考訳（メタデータ） (2026-04-22T01:07:37Z)
• Improving LLM Agent Planning with In-Context Learning via Atomic Fact Augmentation and Lookahead Search [48.348209577994865]
  大規模言語モデル(LLM)はますます有能になるが、複雑で対話的な環境で効果的に機能するためには、重要なガイダンスや広範な相互作用履歴を必要とすることが多い。 テキスト内学習による計画能力を高める新しいLLMエージェントフレームワークを提案する。 我々のエージェントは、その相互作用軌跡からタスククリティカルな原子事実'を抽出することを学ぶ。
  論文  参考訳（メタデータ） (2025-06-10T18:36:31Z)
• Merge to Learn: Efficiently Adding Skills to Language Models with Model Merging [102.16497861225358]
  汎用言語モデルを新しいスキルに適用することは、現在、高価なプロセスである。 既存のモデルに新たなスキルを付加する効果について,新たなスキルを単独で訓練し,その後一般モデルとマージすることによって検討した。
  論文  参考訳（メタデータ） (2024-10-16T18:23:50Z)
• Can LLMs Reliably Simulate Human Learner Actions? A Simulation Authoring Framework for Open-Ended Learning Environments [1.4999444543328293]
  学習者の行動のシミュレーションは、ストレステストのオープンエンドな対話型学習環境を支援し、デプロイ前に新しい適応のプロトタイプを作成する。 我々は,学習者行動に関する検証可能な仮説を組み合わせることで,専門家がシミュレーションを開発し,評価できるシミュレーションオーサリングフレームワークHyp-Mixを提案する。
  論文  参考訳（メタデータ） (2024-10-03T00:25:40Z)
• Empowering Large Language Model Agents through Action Learning [85.39581419680755]
  大規模言語モデル(LLM)エージェントは最近ますます関心を集めているが、試行錯誤から学ぶ能力は限られている。 我々は、経験から新しい行動を学ぶ能力は、LLMエージェントの学習の進歩に欠かせないものであると論じる。 我々はPython関数の形式でアクションを作成し改善するための反復学習戦略を備えたフレームワークLearningActを紹介した。
  論文  参考訳（メタデータ） (2024-02-24T13:13:04Z)
• Democratizing Reasoning Ability: Tailored Learning from Large Language Model [97.4921006089966]
  そこで我々は,そのような推論能力をより小さなLMに蒸留する,適切な学習手法を提案する。 対話型多ラウンド学習パラダイムを構築することにより,理科教員としてのLLMの可能性を活用する。 より小さなLMの推論可能性を活用するために,学生が自作ミスから学習する動機付けを目的とした自己回帰学習を提案する。
  論文  参考訳（メタデータ） (2023-10-20T07:50:10Z)
• Bridging the Imitation Gap by Adaptive Insubordination [88.35564081175642]
  教官が特権情報にアクセスして意思決定を行う場合、この情報は模倣学習中に疎外されることを示す。 本稿では,このギャップに対処するため,適応的不規則化(ADVISOR)を提案する。 ADVISORは、トレーニング中の模倣と報酬に基づく強化学習損失を動的に重み付け、模倣と探索をオンザフライで切り替えることを可能にする。
  論文  参考訳（メタデータ） (2020-07-23T17:59:57Z)

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。