論文の概要: On-Premises Multi-Course RAG Tutoring for Business Education: Hardware-Software Trade-offs in a Campus AI Tutor

• arxiv url: http://arxiv.org/abs/2610.02510v1
• Date: Thu, 01 Oct 2026 21:33:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.093342
• Title: On-Premises Multi-Course RAG Tutoring for Business Education: Hardware-Software Trade-offs in a Campus AI Tutor
• Title（参考訳）: ビジネス教育のためのマルチコースRAGチュータのオンプレミス:Campus AIチュータにおけるハードウェアソフトウェアトレードオフ
• Abstract要約: CourseChatは、キャンパスのWebゲートウェイの後ろに展開された学部ビジネス教育のためのオンプレミスのマルチコースRAGチューターである。 本報告では,第2世代Bake-offラウンド,第2世代Bake-offラウンド,第2世代Bake-offラウンド,第2世代Bake-offラウンド,第2世代Bake-offラウンドについて報告する。 結果は、モデル選択、エビデンス選択、サービス互換性、製品設計を共同エンジニアリング決定として扱うことを支援する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Campus AI tutors based on retrieval-augmented generation (RAG) must ground answers in assigned course materials while keeping textbooks and student dialogue on institutional infrastructure. We present CourseChat, an on-premises, multi-course RAG tutor for undergraduate business education, deployed behind a campus web gateway and intended for use embedded in Moodle. Six isolated course offerings, each keyed by its own course reference number (CRN), share twin-edge AI hosts running a FastAPI service, a local vector database, and a local large language model (LLM) served by Ollama. We report two generation-model bake-off rounds, a separate fixed-evidence source-fidelity comparison, and conversation and quiz audits. Several larger models failed the classroom speed gate, but a 12B model and a 7B alternative passed. A separate mixture-of-experts candidate improved some corrections while introducing new factual and continuity errors. We therefore retain the 8B production model pending a demonstrated overall improvement, rather than claiming that 8B is universally optimal. Software changes improved follow-up topic resolution while preserving course scope; 435 prebuilt questions across 65 modules decouple practice from live generation. The results support treating model choice, evidence selection, serving compatibility, and product design as a joint engineering decision. They do not establish learning gains: faculty ratings, peak-load capacity, and complete public-gateway acceptance remain separate evaluation needs.
• Abstract（参考訳）: 検索強化世代(RAG)に基づくキャンパスAI家庭教師は、教科書や学生の対話を機関基盤に維持しつつ、割り当てられたコース資料に答えを定めなければならない。 大学ビジネス教育のためのオンプレミスマルチコースRAGチューターであるCourseChatを,キャンパスWebゲートウェイの後方に配置し,Moodleに組み込むことを意図した。 それぞれが独自のコース参照番号(CRN)でキーを付け、FastAPIサービスを実行するツインエッジAIホスト、ローカルベクタデータベース、Ollamaが提供するローカルな大規模言語モデル(LLM)を共有する。 本報告では,第2世代Bake-offラウンド,第2世代Bake-offラウンド,第2世代Bake-offラウンド,第2世代Bake-offラウンド,第2世代Bake-offラウンドについて報告する。 いくつかの大型モデルが教室のスピードゲートに失敗したが、12Bモデルと7B代替機が通過した。 専門知識の混合候補は、新しい事実と連続性エラーを導入しながら、いくつかの修正を改善した。 したがって、我々は8Bが普遍的に最適であると主張するのではなく、全体的な改善が実証されるまで8B生産モデルを維持している。 コースの範囲を保ちながら、フォローアップトピックの解決を改善した。65モジュールにわたる435の事前ビルドされた質問が、実践をライブ生成から切り離した。 結果は、モデル選択、エビデンス選択、サービス互換性、製品設計を共同エンジニアリング決定として扱うことを支援する。 教員の格付け、ピークロード能力、そして完全な公共ゲートウェイの受け入れは、別個の評価ニーズのままである。

関連論文リスト

• NeoHorse-1: Towards Recursive Self-Improvement via Agentic Post-Training with Routing Harness [76.6324710887112]
  NeoHorse-1は、エージェントのポストトレーニングを通じてこの経路を探索するために開発されたエージェントネイティブモデルのファミリーである。 本システムでは,異種モデルプールとインテリジェントなルーティング,予測能力要求,選択されたサービス層,およびその後のユーザ毎のインタラクションを結合する。
  論文  参考訳（メタデータ） (2026-09-08T03:14:54Z)
• CSTutorBench: Benchmarking Small Language Models as Tutors for Block-Based Programming [0.48342038441006796]
  大規模な言語モデルは、AI家庭教師としてますます探求されているが、K-12設定にデプロイすることで、プライバシやコスト、プロプライエタリなモデルへの依存に関する懸念が高まる。 小型言語モデル(SLM)は有望な代替手段を提供するが、特定の教育的文脈に対して適切なモデルを選択することは依然として困難である。 我々は,ブロックベースのロボティクス環境であるVEX VRにおいて,CSチューターとして言語モデルを評価するためのベンチマークであるCSTutorBenchを紹介する。
  論文  参考訳（メタデータ） (2026-07-06T19:15:07Z)
• GRADE: Generalizable Reasoning-Aware Dialogue Evaluation for AI Tutors [5.831342304669597]
  GRADEは、学生-教師対話における教育能力評価のためのオープンソースモデルの体系的研究である。 ゼロショット推論, LoRAファインチューニング, 合成拡張, CoT+Reasoning, シングルタスク対マルチタスクの定式化など, 5つの言語モデルにわたる120の構成を評価した。
  論文  参考訳（メタデータ） (2026-05-27T02:26:55Z)
• Composer 2 Technical Report [93.84516486051359]
  Composer 2はエージェントソフトウェアエンジニアリング用に設計された特殊なモデルである。 モデルは2つのフェーズでトレーニングされる。まず、モデルの知識を改善するための事前トレーニングと、潜伏するコーディング能力だ。 デプロイされたモデルで使用されるのと同じカーソルハーネスでトレーニングをサポートするインフラを開発する。
  論文  参考訳（メタデータ） (2026-03-25T16:18:37Z)
• Fine-Tuning BERT for Domain-Specific Question Answering: Toward Educational NLP Resources at University Scale [0.0]
  リメリック大学の電子計算機工学科は、学生にコース情報を提供するロボットを開発した。 SQuAD形式での1,203の質問応答対のカスタムデータセットは、手動および合成的に生成されたエントリを補足した、大学のモジュールの本を用いて構築された。 その結果,微調整さえも仮説フレーミングや知識抽出を改善することがわかった。 学術的なペアによる微調整BERTが効果的な結果をもたらすことを示すことで,このギャップに対処する。
  論文  参考訳（メタデータ） (2025-12-04T18:27:46Z)
• Don't Throw Away Your Pretrained Model [68.63558351111303]
  私たちは、モデルコラボレーションを通じて両方の世界を最大限に活用することを目指しています。 そこで我々は,事前訓練されたモデルバージョンが,応答シーケンスで「話し方」を交互に行うスイッチ生成を提案する。
  論文  参考訳（メタデータ） (2025-10-10T23:12:20Z)
• SPELL: Self-Play Reinforcement Learning for evolving Long-Context Language Models [79.01078135582127]
  SPELLは、長文推論のためのスケーラブルでラベルなしの最適化を可能にする。 本稿では、文書長を徐々に向上させる自動カリキュラムと、モデルの進化する機能に質問の難しさを適応させる報奨関数を導入する。
  論文  参考訳（メタデータ） (2025-09-28T13:08:10Z)
• Language Models as Science Tutors [79.73256703631492]
  本研究では,LMの現実的なユーザビリティを科学的アシスタントとして測定するTutorEvalとTutorChatを紹介する。 既存の対話データセットを用いた微調整ベースモデルがTutorEvalの性能を低下させることを示す。 我々はTutorChatを用いて、7Bパラメータと34Bパラメータを持つLlemmaモデルを微調整する。これらのLMチューターは32Kのコンテキストウィンドウを持ち、GSM8KとMATHに強く依存しながらTutorEvalで優れている。
  論文  参考訳（メタデータ） (2024-02-16T22:24:13Z)

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。