論文の概要: LearnAdapt Praxis: Controlled AI Assistance and Evidence Traces for Adult Workplace Learning

• arxiv url: http://arxiv.org/abs/2610.02699v1
• Date: Fri, 02 Oct 2026 02:31:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.166549
• Title: LearnAdapt Praxis: Controlled AI Assistance and Evidence Traces for Adult Workplace Learning
• Title（参考訳）: LearnAdapt Praxis: 成人の職場学習におけるAIアシストとエビデンストレースの制御
• Abstract要約: LearnAdaptは、大人が信頼できる職場の工芸品を生産するのを助けることを目的としている。 アプリケーションは、初期応答、バージョン付き仕様、コーチング記録、検証観察、別の転送応答、ファシリテータフィードバックを格納します。 この技術的レポートでは、実装されたアーキテクチャを説明し、選択されたワークフロー、権限、障害回復、前例特性を評価します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI can help adults produce plausible workplace artefacts while leaving their independent reasoning difficult to inspect. LearnAdapt Praxis addresses this design problem through a five-stage learning workspace: Frame, Learn, Build, Validate and Transfer. The application stores an initial response, versioned specifications, coaching records, validation observations, a separate transfer response and facilitator feedback. Project-level server controls restrict coaching, access to earlier work and learner export during an active transfer attempt; they do not establish that a learner avoided assistance outside the application. This technical report describes the implemented architecture and evaluates selected workflow, authority, failure-recovery and provenance properties. A reproducible synthetic rehearsal exercised 120 serial project episodes across three fictional workplace contexts and four injected provider conditions. All 3,990 recorded checks met their specified expectations. The resulting records contained 240 specification versions, 1,200 activity events and 60 stored synthetic hints; 60 injected provider failures produced no fabricated hints. Separate authentication regressions exposed and resolved a session-expiry defect, and limited staging and production checks verified account access and live model connectivity. The evidence supports the tested engineering properties of the recorded release. It does not establish learning gains, model-output quality, unaided assessment validity, population usability or production capacity. The contribution is an implemented arrangement for separating assisted work, project-level assistance withdrawal and inspectable evidence, accompanied by executable tests and an explicit account of what remains to be validated with adult learners.
• Abstract（参考訳）: AIは、大人が検査しにくい独立した理由を残しながら、もっともらしい職場の工芸品を生産するのを助けることができる。 LearnAdapt Praxisは5段階の学習ワークスペース – Frame, Learn, Build, Validate, Transfer – を通じて,この設計問題に対処する。 アプリケーションは、初期応答、バージョン付き仕様、コーチング記録、検証観察、別の転送応答、ファシリテータフィードバックを格納します。 プロジェクトレベルのサーバコントロールは、アクティブトランスファーの試み中にコーチング、初期の作業、学習者のエクスポートを制限します。 この技術的レポートでは、実装されたアーキテクチャを説明し、選択されたワークフロー、権限、障害回復、前例特性を評価します。 再現可能な合成リハーサルは、3つの架空の職場状況と4つのインジェクトされた提供者条件で120の連続的なプロジェクトエピソードを実行した。 記録された3,990件のチェックは、彼らの期待に応えた。 結果として得られた記録には240の仕様版、1,200のアクティビティイベント、60のストアされた合成ヒントが含まれ、60のインジェクトされたプロバイダ障害は製造されたヒントを生成できなかった。 個別の認証レグレッションが公開され、セッションエクスプリー欠陥が解決され、ステージングとプロダクションチェックが限定され、アカウントアクセスとライブモデル接続が検証された。 証拠は、記録されたリリースの試験されたエンジニアリング特性を支持する。 学習の質、モデルアウトプットの品質、未確認評価の妥当性、人口利用性、生産能力は確立していない。 このコントリビューションは、補助的な作業、プロジェクトレベルの援助の撤回、検査可能な証拠を分離するための、実施可能なテストと、成人の学習者が検証すべきことの明示的な説明を伴って実施されている。

関連論文リスト

• EngramBench: A Capability-Grounded Benchmark for Skill-Evolution Harnesses [50.93446596863591]
  EngramBenchは、ソリューションオーバーラップすることなく、厳密なオーバーラップの公理に支配される機能基底ベンチマークである。 人間の専門的検証によって裏付けられた48の複数時間実行軌跡に対する我々の評価は、手続き記憶に関する深い洞察を浮き彫りにしている。 破滅的なトークン重大な試行錯誤からエージェントを遠ざけることで、真の能力抽象化は冗長なコンテキストの肥大を削減し、全体的なコーディング時間を55%以上削減します。
  論文  参考訳（メタデータ） (2026-09-30T08:33:17Z)
• Shockingly Simple Self-retrospection Improves Agentic Models Without RL [56.88703385147974]
  本研究は,説明のみの訓練がその後の行動に与える影響を分離するために,レトロスペクティブ・オンリー・ファインチューニングについて検討する。 Qwen3.5-4B を用いたソフトウェア工学実験では、ROFT は成功と失敗の混合したベースモデルの試行に関する問題で訓練されている。 また、64のサンプルベースモデル試みが失敗する個々のタスクの解決も学べる。
  論文  参考訳（メタデータ） (2026-09-28T17:54:24Z)
• CALLIOPE: A Source-Grounded Oral Assessment System and Synthetic Readiness Evaluation [0.0]
  CALLIOPEは、バージョン付き指導資料、学習者のターン記録と書き起こし、適応的質問、二者評価、教育者レビュー、輸出可能な証拠を統合する、ソース・グラウンドド・オーラルアセスメントシステムである。 本技術報告では,CALLIOPEについて述べる。CALLIOPEは,バージョン付き指導資料,学習者ターン記録と転写,適応的質問,2段階のスコアリング,教育者レビュー,輸出可能なエビデンスを統合した,ソースグラウンドによる口頭評価システムである。
  論文  参考訳（メタデータ） (2026-09-25T12:01:25Z)
• Human-AI Collaboration for Multi-Line Task Adjustment Using Local Large Language Models and a Digital Twin [0.0]
  本研究では,局所的な大規模言語モデル,デジタルツイン,人的意思決定を統合したマルチラインタスク調整システムを提案する。 Propose-Verify-Decideワークフローオペレータの意図は、構造化された要件に変換し、一連の候補戦略を生成し、セマンティクス、シミュレーション実行、運用上の制約をチェックする。 この結果は、トレーサブルな戦略レビューワークフローを示しているが、全体的な信頼性や長期的な安定性は確立していない。
  論文  参考訳（メタデータ） (2026-09-24T05:48:53Z)
• Test-Driven Approaches to Software Engineering with Large Language Models: A Survey of Phases, Tasks, and Agent Skills [14.44743150931186]
  テストは、大規模言語モデルとソフトウェアエンジニアリングエージェントによる決定にますます参加します。 意図された振る舞い、プログラムの構築と修復のガイド、候補の選択、制約変換、ソフトウェア分析の実行証拠を提供する。 これらは、テスト駆動開発における描画を使用するが、テスト順序、オラクル可用性、編集可能なアーティファクト、実行の役割は大きく異なる。
  論文  参考訳（メタデータ） (2026-09-10T06:20:22Z)
• Demystifying Agent Skills: Why They Work-Until They Don't [58.92875630998418]
  既存の評価は、スキルが集約されたタスクの成功を改善するかどうかを主に測定する。 我々は、表現、結果アノテーション、検索難易度、スキルのクロスフレームワークの影響を分離する。 我々はこれらの観察を3つの高レベルカテゴリと12のスキルユースモードの分類に集約する。
  論文  参考訳（メタデータ） (2026-08-14T07:26:38Z)
• From Trajectories to Evidence: Auditable Experimental Records for Industrial Research Agents [47.678562263387214]
  研究エージェントは、産業レコメンデーション設定において、多段階の機械学習実験をますます実施している。 生成されたアーティファクトは、サポートされないか、不完全かもしれないし、実行されたラウンドは無効かもしれないし、あるいは廃止されるかもしれないし、後の修正は、以前の発見を曖昧にするかもしれない。 本稿では,連続的アーティファクトのバウンダリ検証と実行後のクレーム資格を結合するエビデンス・グラウンド・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-05T13:37:38Z)
• SkillAudit: Ground-Truth-Free Skill Evolution via Paired Trajectory Auditing [81.51044612408793]
  SkillAuditは、地味なフィードバックなしにエージェントスキルを進化させるフレームワークである。 行動の違いを編集指導に変換するために、SkillAuditはProcess-Aligned Contrastive Evaluationを使用する。 Refineはノイズや無関係なガイダンスを広く有用なスキルから取り除き、修復はタスクと競合するパスを置き換える。
  論文  参考訳（メタデータ） (2026-06-12T08:20:09Z)
• Evidentiality-guided Generation for Knowledge-Intensive NLP Tasks [59.761411682238645]
  Retrieval-augmented Generation Modelは、多くの知識集約型NLPタスクにまたがって最先端のパフォーマンスを示している。 生成器の訓練に、パスが出力をサポートするための正しい証拠を含むか否かに関わらず、パスの明快さを組み込む方法を導入する。
  論文  参考訳（メタデータ） (2021-12-16T08:18:47Z)

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。