論文の概要: Examining Variation in How Guided AI Tutors Resolve Student Impasses
- arxiv url: http://arxiv.org/abs/2609.38346v1
- Date: Tue, 29 Sep 2026 18:10:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:26.561578
- Title: Examining Variation in How Guided AI Tutors Resolve Student Impasses
- Title（参考訳）: 指導型AIチューターが学生の障害を解消する方法についての検討
- Abstract要約: 20,462人の学生が指導的LLM化学チューターを用いて1,260の真正セッションから転向する様子を解析した。
我々は,概念的誤り,不確実性表現,ヘルプ検索の3つの主要なタイプの6,630個の不合理なターンを同定した。
分析を学習するためには、これらの発見は不適切な深さとタイプを観測可能なターンレベルの対話信号として識別する。
- 参考スコア（独自算出の注目度）: 33.16877379969177
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: When a student is stuck, a tutor faces the assistance dilemma: help given too early can hinder productive struggle, while help withheld too long leaves the student in a frustrating, persistent impasse (i.e., wheel spinning). Generative AI tutors increasingly use guardrails restricting answer-giving, yet little is known about how such tutors behave once an impasse persists. We analyze 20,462 student turns from 1,260 authentic sessions with a guided LLM chemistry tutor, identifying 6,630 impasse turns of three major types: conceptual errors, expressed uncertainty, or help-seeking. We then used these impasses to simulate three tutoring conditions to study variation in AI tutor guidance through impasses: baseline, no-direct-answer, and guided tutor. For a sample of 150 impasses, prompt specificity changed pedagogy: a baseline tutor provided the answer directly in 50.7% of responses, a no-direct-answer tutor asked a follow-up question every time, and the guided tutor responded in a wide variety of ways depending on the context. We then analyzed impasse trajectories in authentic interactions, finding that each additional impasse turn lowered the odds of next-turn recovery by 12.7% (AOR = 0.873, p < .001), and early dropouts were caught in recursive concept elicitation before reaching execution. The benefit of questioning decayed as impasses persisted (scripted question x depth AOR = 0.78; follow-up x depth AOR = 0.83), whereas addressing the student's error grew more beneficial (AOR = 1.14); after a failed scripted question, repeating it was followed by recovery in 28.1% of cases, compared with 39.8% when the tutor addressed the error instead. For learning analytics, these findings identify impasse depth and type as observable, turn-level dialogue signals that analytics can use to trigger graduated, state-sensitive assistance in real time.
- Abstract（参考訳）: 学生が立ち往生すると、教師は援助のジレンマに直面し、早すぎる支援は生産的な苦難を妨げる。
生成的AI家庭教師は、回答の保留を制限するガードレールをますます使っているが、そのような家庭教師が過失が続くとどのように振る舞うかは、ほとんど分かっていない。
20,462人の学生が、指導的LLM化学チューターを用いて1,260の真正セッションから、概念的誤り、表現の不確実性、ヘルプ・シーキングの3つの主要なタイプの6,630個の不連続なターンを同定した。
次に,3つの指導条件をシミュレートし,ベースライン,ノー・ダイレクト・アンサー,ガイドド・チューターによるAI指導のバリエーションについて検討した。
ベースラインのチューターが50.7%の回答を直接提供し、非直接回答のチューターが毎回フォローアップ質問を行い、ガイド付きチューターは状況に応じて様々な方法で回答した。
次に, 実測実験における不連続軌道解析を行い, 各々の不連続回転が次ターン回復確率を12.7%低下させ (AOR = 0.873, p < .001) , 早期投棄は実行前に再帰的概念誘発に捕えられた。
疑わしい質問が続くにつれて、質問の利点は低下し(説明付き質問 x depth AOR = 0.78; 追記x depth AOR = 0.83)、学生の誤りへの対処はより有益になった(AOR = 1.14)。
分析を学習するために、これらの発見は不適切な深さとタイプを観測可能なターンレベルの対話信号として識別する。
関連論文リスト
- Understanding Off- vs On-Policy Distillation: A Tale of Distinct Training Objectives [51.632660339442616]
複数の教員からの連続蒸留について検討し,そこでは学生が教師からの平均的な分散を最小限に抑える。
オフ・ポリティクスとオン・ポリティクスのフィードバックの下でこれらの目標を学習するアルゴリズムを開発する。
OPDの利点と脆弱性の両方を説明するのに役立つメカニズムを同定する。
論文 参考訳（メタデータ） (2026-09-29T23:47:58Z) - Learn Now, Use Next, Trust Later: Prequential Test-Time Learning for LLM Agents [55.440058537827134]
StepLearnは、永続的な信頼から即時の使用を分離する非パラメトリックフレームワークである。
情報的な遷移を仮説に変え、次のステップを導く。
GPT-5-miniでの平均成功率は59.9%、84.0%、Qwen3.5-35B-A3Bで57.8%、88.1%である。
論文 参考訳（メタデータ） (2026-09-28T08:06:03Z) - LLM Pedagogical Behavior in AI Tutoring Interactions [2.7316402953904233]
LLMは、学生が真に学習する相互作用の家庭教師として使うときに提供される援助のレベルについてはほとんど分かっていない。
我々はこの次元を足場レベルとして運用し、人間のアノテーションに対して検証された5段階の尺度を開発する。
大学AI講座の203人の学生から14,637 LLMの回答を得た。
論文 参考訳（メタデータ） (2026-08-24T08:57:40Z) - SearchAuditor: Auditing and Attributing Failures in Long-Horizon Search Agents [56.400332595452966]
我々は、監査人が検索エージェントの障害をローカライズ、属性付け、修復できるかどうかを評価するベンチマークであるSearchAuditBenchを紹介する。
SearchAuditBenchは1,243の障害トラックで構成され、平均73.1メッセージと65.1Kトークンを5つのディープサーチベンチマークで8つのオープンウェイトモデルから収集している。
本稿では,検索エージェントの障害を効果的にローカライズ,属性,修復するマルチパースペクティブ監査フレームワークであるSearchAuditorを提案する。
論文 参考訳（メタデータ） (2026-08-05T09:09:00Z) - Reflective Recovery: A Self-Supervised Method for Reasoning by Learning from Mistakes [70.64622557376505]
リフレクティブリカバリは、推論中のミスを認識し、修正するようにモデルに教える。
AIME 2025では30.0%から37.5%、Minervaでは37.6%から47.8%に精度が向上している。
論文 参考訳（メタデータ） (2026-07-24T02:51:42Z) - Surfacing Isolated Learners with Outcome-Independent Mediation of Feedback between Teachers and Students Using AI [1.6637373649145608]
そこで本稿では,評価基準やポストホックな結果ラベルを使わずに,注意を要する話題をランク付けする透明なメカニズムを提案する。
このアプローチは、学生の学習困難度、学習者の自己報告と観察困難との相違、未解決の教師の懸念の3つのシグナルを組み合わせたものである。
論文 参考訳（メタデータ） (2026-05-28T02:00:06Z) - Using Learning Progressions to Guide AI Feedback for Science Learning [9.90590245204881]
生成人工知能(AI)は、フォーマティブフィードバックのスケーラブルなサポートを提供する。
効果的ではあるが、ルーリックオーサリングは時間がかかり、命令コンテキスト間のスケーラビリティが制限される。
本研究では、LP駆動のルーブリック生成パイプラインが、専門家によるタスクルーブリックによるフィードバックに匹敵する品質のAI生成フィードバックを生成できるかどうかを検討する。
論文 参考訳（メタデータ） (2026-03-03T18:39:58Z) - Synthetic Student Responses: LLM-Extracted Features for IRT Difficulty Parameter Estimation [0.0]
項目応答理論の難易度パラメータを学生試験なしで正確に推定できるかどうかを検討する。
我々のアプローチは,Large Language Models (LLMs) を用いて抽出した従来の言語特徴と教育的洞察を組み合わせたものである。
数学の質問に対する25万以上の学生回答のデータセットを用いて、予測された難易度パラメータと全く見えない質問の実際の難易度パラメータの約0.78のPearson相関が得られる。
論文 参考訳（メタデータ） (2026-01-18T18:19:13Z) - Findings of the BEA 2025 Shared Task on Pedagogical Ability Assessment of AI-powered Tutors [6.891852148875869]
このタスクは、AIチューターのパフォーマンスを、誤識別の重要な次元にわたって自動的に評価するように設計された5つのトラックで構成されている。
4つの教育能力評価トラックの最良の結果は、マクロF1スコア58.34(ガイダンス提供)と3クラスの問題に対する71.81(誤識別)の範囲である。
論文 参考訳（メタデータ） (2025-07-11T10:57:36Z) - Stepwise Verification and Remediation of Student Reasoning Errors with Large Language Model Tutors [78.53699244846285]
大規模言語モデル(LLM)は、高品質なパーソナライズされた教育を全員に拡大する機会を提供する。
LLMは、学生のエラーを正確に検知し、これらのエラーに対するフィードバックを調整するのに苦労する。
教師が学生の誤りを識別し、それに基づいて回答をカスタマイズする現実世界の教育実践に触発され、我々は学生ソリューションの検証に焦点をあてる。
論文 参考訳（メタデータ） (2024-07-12T10:11:40Z)
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。