論文の概要: TutorLoop: Regulating Student Learning Behaviors via Sensor-in-the-Loop Generative Feedback

• arxiv url: http://arxiv.org/abs/2610.09400v1
• Date: Wed, 07 Oct 2026 04:03:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 07:15:05.749661
• Title: TutorLoop: Regulating Student Learning Behaviors via Sensor-in-the-Loop Generative Feedback
• Title（参考訳）: TutorLoop: センサ・イン・ザ・ループ生成フィードバックによる生徒の学習行動の制御
• Abstract要約: TutorLoopは、リアルタイム認知状態に基づいて適応的なフィードバックを提供することで、学生の学習行動を制御する。 TutorLoopは、より頻度の低い、より効果的な介入、注意力の向上、作業負荷の削減、エンゲージメントの向上、最終的には学習結果の向上を実現しています。
• 参考スコア（独自算出の注目度）: 9.356790325425152
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We present TutorLoop, a sensor-in-the-loop system that regulates student learning behaviors by delivering adaptive feedback based on real-time cognitive states. Unlike prior large language model (LLM) tutors that directly depend on scenario-specific content, TutorLoop operates on sensor-derived signals captured via webcams. Moreover, unlike direct cognitive-to-feedback mappings that are short-sighted, the system employs a deep reinforcement learning (DRL) agent to optimize the feedback type across the entire learning process. Finally, another LLM tutor refines feedback into human-like, context-aware messages. We evaluate TutorLoop in a large-scale user study (N=187), where a model trained offline is directly applied to a new learning task without retraining. Results show that TutorLoop provides less frequent yet more effective interventions, improving attention, reducing workload, increasing engagement, and ultimately enhancing learning outcomes. These findings highlight the potential of closed-loop, sensor-driven feedback for scalable human-AI integrated systems to support learning.
• Abstract（参考訳）: 本研究では,リアルタイム認知状態に基づいて適応的なフィードバックを提供することで,学生の学習行動を制御するループ型センサシステムTutorLoopを提案する。 シナリオ固有のコンテンツに直接依存する事前の大規模言語モデル(LLM)チューターとは異なり、TutorLoopはWebカメラ経由でキャプチャされたセンサー由来の信号で動作する。 さらに、近視の直接認知フィードバックマッピングとは異なり、システムは深層強化学習(DRL)エージェントを使用して学習プロセス全体にわたるフィードバックタイプを最適化する。 最後に、もう1つのLLMチューターは、フィードバックを人間のようなコンテキスト対応メッセージに洗練する。 大規模なユーザスタディ(N=187)では、オフラインでトレーニングされたモデルを、トレーニングせずに新しい学習タスクに直接適用する。 結果は、TutorLoopがより頻度の低い効果的な介入、注意力の向上、作業負荷の削減、エンゲージメントの向上、学習結果の最終的な向上を実現していることを示している。 これらの結果は、学習を支援するスケーラブルなヒューマンAI統合システムに対するクローズドループ、センサ駆動フィードバックの可能性を強調している。

関連論文リスト

• REFINE: Real-world Exploration of Interactive Feedback and Student Behaviour [12.059739840538638]
  本稿では、ローカルにデプロイ可能なマルチエージェントフィードバックシステムであるREFINEを紹介し、フィードバックを対話的なプロセスとして扱う。 REFINEは、人力判断器を用いて、台座フィードバック生成剤とLSM-as-a-judge-guided regeneration loopを併用する。 本研究は,多エージェント・ツール拡張型フィードバックシステムの有効性と有効性を示すものである。
  論文  参考訳（メタデータ） (2026-03-31T01:48:08Z)
• Accelerating Reinforcement Learning via Error-Related Human Brain Signals [0.43012765978447565]
  本研究では、複雑なロボット操作設定において、暗黙のニューラルフィードバックが強化学習を加速させる方法について検討する。 オフライン学習された脳波分類器からデコードされたエラー関連電位を報酬形成に統合し、フィードバック重み付けの効果を評価する。 本研究は,脳波を用いた強化学習が運動課題を超えて拡張可能であることを示す。
  論文  参考訳（メタデータ） (2025-11-24T08:33:47Z)
• UCO: A Multi-Turn Interactive Reinforcement Learning Method for Adaptive Teaching with Large Language Models [59.693733170193944]
  大規模言語モデル(LLM)は、教育環境において、回答提供者からインテリジェントな家庭教師へとシフトしている。 最近の強化学習アプローチはこの制限に対処するが、2つの重要な課題に直面している。 これらの課題に対処するために一方向認知最適化法(UCO)を提案する。
  論文  参考訳（メタデータ） (2025-11-12T01:27:02Z)
• Mapping Neural Signals to Agent Performance, A Step Towards Reinforcement Learning from Neural Feedback [2.9060647847644985]
  NEURO-LOOPは、人間とエージェントの相互作用を促進するために、本質的な人間報酬システムを利用する暗黙のフィードバックフレームワークである。 この研究は、NEURO-LOOPフレームワークにおける重要な第一歩である脳信号をエージェントのパフォーマンスにマッピングする可能性を示している。 従来の機械学習手法を用いて,fNIRSデータとエージェント性能の関係を検証した。
  論文  参考訳（メタデータ） (2025-06-14T21:38:31Z)
• Playpen: An Environment for Exploring Learning Through Conversational Interaction [84.0413820245725]
  本研究は,対話ゲームが学習のフィードバック信号の源として機能するかどうかを考察する。 本稿では,対話ゲームによるオフラインおよびオンライン学習環境であるPlaypenを紹介する。 SFTによる模倣学習は、目に見えないインスタンスのパフォーマンスを向上させるが、他のスキルに悪影響を及ぼす。
  論文  参考訳（メタデータ） (2025-04-11T14:49:33Z)
• Empowering Private Tutoring by Chaining Large Language Models [87.76985829144834]
  本研究は,最先端の大規模言語モデル(LLM)を活用した,本格的な知的チューリングシステムの開発を探求する。 このシステムは、相互に接続された3つのコアプロセス(相互作用、反射、反応)に分けられる。 各プロセスは LLM ベースのツールと動的に更新されたメモリモジュールによって実装される。
  論文  参考訳（メタデータ） (2023-09-15T02:42:03Z)
• PEBBLE: Feedback-Efficient Interactive Reinforcement Learning via Relabeling Experience and Unsupervised Pre-training [94.87393610927812]
  我々は、フィードバックと非政治学習の両方の長所を生かした、非政治的、インタラクティブな強化学習アルゴリズムを提案する。 提案手法は,従来ヒト・イン・ザ・ループ法で検討されていたよりも複雑度の高いタスクを学習可能であることを実証する。
  論文  参考訳（メタデータ） (2021-06-09T14:10:50Z)
• Accelerating Reinforcement Learning Agent with EEG-based Implicit Human Feedback [10.138798960466222]
  人間のフィードバックによる強化学習(RL)エージェントは、学習のさまざまな側面を劇的に改善することができる。 従来の方法では、人間の観察者が明示的に入力をし、RLエージェントの学習プロセスのループで人間を負担する必要があった。 脳波による人間の内因性反応を、エラー関連電位(ErrP)の形で暗黙の(そして自然な)フィードバックとして捉えることを検討する。
  論文  参考訳（メタデータ） (2020-06-30T03:13:37Z)

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。