論文の概要: RegulaTutor: A Theory-Informed Framework for Long-Term Personalized Learning
- arxiv url: http://arxiv.org/abs/2610.13399v1
- Date: Fri, 09 Oct 2026 11:11:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.546802
- Title: RegulaTutor: A Theory-Informed Framework for Long-Term Personalized Learning
- Title（参考訳）: RegulaTutor: 長期パーソナライズドラーニングのための理論インフォームドフレームワーク
- Abstract要約: RegulaTutorは、長期パーソナライズされた家庭教師のための理論インフォームドフレームワークである。
歴史的証拠、学習者解釈、学習者向け指導を結びつける。
歴史的証拠の正確さ、学習者の診断、そして教育の質を判断する。
- 参考スコア（独自算出の注目度）: 12.119452460249418
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-term personalized tutoring requires language models to translate a learner's evolving history into appropriate instructional support. Existing LLM-based tutoring systems use memory and retrieval to personalize responses, but the pedagogical rationale linking historical evidence to teaching strategies is not always explicit. We introduce RegulaTutor, a theory-informed framework for long-term personalized tutoring that connects historical evidence, learner interpretation, and learner-facing instruction. Guided by self-regulated learning (SRL) research, its tutoring harness operationalizes a cognitive, affective, metacognitive, and motivational (CAMM) framework for deriving evidence-supported learner interpretations and teaching policies. The resulting policies retain links to their supporting evidence and are updated as new observations arrive. This staged workflow also supports systematic refinement through PairRoute, an offline procedure that uses intermediate execution records to distinguish harness, model, and mixed failures. PairRoute proposes and evaluates targeted harness revisions, then constructs reviewed stage-level supervision for confirmed model failures remaining under the selected harness. We focus this refinement on historical evidence acquisition, which underpins personalized instruction and allows outputs to be checked against learning records and reference answers. RegulaTutor improves historical-evidence accuracy, learner diagnosis, and judged teaching quality on average across evaluated model configurations. PairRoute results show an endpoint improvement in standalone-model historical-evidence accuracy over the refinement trajectory. Together, these results highlight RegulaTutor's potential to support lifelong personalized education through instructional policies that evolve with learner histories and targeted improvements to the tutoring system.
- Abstract（参考訳）: 長期パーソナライズされた家庭教師は、学習者の進化した歴史を適切な教育支援に変換するために言語モデルを必要とする。
既存のLLMベースの学習システムは、記憶と検索を使って応答をパーソナライズするが、歴史的証拠と教育戦略を結びつける教育的根拠は必ずしも明確ではない。
本稿では,歴史証拠,学習者解釈,学習者対応指導を結びつける,長期パーソナライズ教育のための理論インフォームドフレームワークであるRegulaTutorを紹介する。
自己統制学習(SRL)研究によって導かれ、その指導力は、エビデンスに支えられた学習者の解釈と教育ポリシーを導き出すための認知的、感情的、メタ認知的、モチベーション的(CAMM)フレームワークを運用する。
結果として得られた政策は、彼らの支持する証拠へのリンクを保持し、新しい観察が到着すると更新される。
PairRouteは、中間実行レコードを使用して、ハーネス、モデル、混合障害を区別するオフラインプロシージャである。
PairRouteは、ターゲットとなるハーネスのリビジョンを提案し、評価し、次に、選択されたハーネスの下にあるモデルの失敗を確認したステージレベルの監視を構築する。
この改良は、個人化された指導を基盤とし、学習記録や参照回答に対してアウトプットをチェックできる歴史証拠取得に焦点をあてる。
RegulaTutorは、履歴証拠の正確さ、学習者診断、評価されたモデル構成の平均的な教育品質を向上する。
PairRouteの結果は、改良軌跡よりもスタンドアローンモデルによる履歴証拠の精度が向上したことを示している。
これらの結果は、学習履歴とともに進化し、学習システムの改善を目標とする教育政策を通じて、生涯にわたってパーソナライズされた教育を支援するRegulaTutorの可能性を浮き彫りにした。
関連論文リスト
- On-Policy Distillation for Vision-Language Model Adaptation, an Effective Paradigm on Low-Quality Multimodal Data [33.30564104173576]
視覚言語モデル適応のためのオンライン蒸留フレームワークOnPoKDを提案する。
OnPoKDは、サンプルワイド適応ターゲットを構築する軽量コントローラを学習する。
ベース・ツー・ノーベル一般化とクロス・データセット・トランスファー・ベンチマークの実験は、OnPoKDが強い視覚言語蒸留ベースラインよりも一貫して改善していることを示している。
論文 参考訳（メタデータ） (2026-09-09T15:26:28Z) - Context-Matched Distillation: Teacher Causality for Autoregressive Video Distillation [97.02922768457239]
Context-Matched Distillation (CMD) は、教師の監督と、各ターゲットが生成される際に利用可能な情報とを整合させる因果的MDDフレームワークである。
Prefix Corruptionは、このターゲットコンテキストアライメントを維持しながら、トレーニングの初期段階で生成された信頼性の低いプレフィックスを摂動することで、トレーニングを安定化させる。
ショートビデオとロングビデオの両方のベンチマークで、自己回帰手法における最先端の集約性能を実証した。
論文 参考訳（メタデータ） (2026-08-13T15:51:31Z) - SEIF: Self-Evolving Reinforcement Learning for Instruction Following [53.280277743734096]
大規模言語モデル(LLM)の指示追従能力を高める自己進化型フレームワークSEIFを提案する。
SEIFは閉じた自己進化ループを形成し、モデルの命令追従能力を改善する。
複数のモデルスケールとアーキテクチャの実験により、SEIFは命令追従性能を一貫して改善し、強い汎用性を示唆している。
論文 参考訳（メタデータ） (2026-05-08T09:13:12Z) - Document Reconstruction Unlocks Scalable Long-Context RLVR [60.74632963522131]
RLVR(Reinforcement Learning with Verifiable Rewards)は、Large Language Models(LLM)の機能強化(長文)のための重要なパラダイムとなっている。
我々は,LLMの長期的文脈能力を高めるための教師なしのアプローチについて検討し,重度の人的アノテーションや教師モデルの監督の必要性を排除した。
提案手法の有効性をRULERとLongBenchv2の2つのベンチマークで検証した。
論文 参考訳（メタデータ） (2026-02-09T03:23:23Z) - Measuring Teaching with LLMs [4.061135251278187]
本稿では,文レベルの埋め込みをベースとした独自のLarge Language Modelを使用する。
これらの特化モデルは,0.65以上の専門家による評価で,人間レベルおよび超人的性能を達成可能であることを示す。
また,総合的なモデルスコアは教師の付加価値尺度と一致し,生徒の学習に関連する特徴を捉えていることを示す。
論文 参考訳（メタデータ） (2025-10-27T03:42:04Z) - Adaptive Learning Systems: Personalized Curriculum Design Using LLM-Powered Analytics [14.157213827899342]
大規模言語モデル(LLM)は、個々の学生のニーズに合わせてパーソナライズされた学習体験を可能にすることによって、教育分野に革命をもたらしている。
本稿では LLM を利用した分析を応用した適応学習システムのためのフレームワークについて紹介する。
論文 参考訳（メタデータ） (2025-07-25T04:36:17Z) - Personalized Exercise Recommendation with Semantically-Grounded Knowledge Tracing [54.44838681588145]
ExRecは、セマンティックグラウンドの知識トレースを備えたパーソナライズされたエクササイズレコメンデーションのためのフレームワークである。
ExRecは、新しい、目に見えない質問に頑健に一般化し、解釈可能な学習軌跡を生成することを示す。
論文 参考訳（メタデータ） (2025-07-15T07:54:04Z) - A General Model for Detecting Learner Engagement: Implementation and Evaluation [0.0]
本稿では,学習者のエンゲージメントレベルを検出するための特徴の選択と処理のための,汎用的で軽量なモデルを提案する。
本研究では,DAiSEEデータセットの映像を分析し,学習者のエンゲージメントのダイナミックな意義を捉えた。
提案モデルは,特定の実装において68.57%の精度を達成し,学習者のエンゲージメントレベルを検出する最先端モデルより優れている。
論文 参考訳（メタデータ） (2024-05-07T12:11:15Z) - Counterfactual Cycle-Consistent Learning for Instruction Following and
Generation in Vision-Language Navigation [172.15808300686584]
本稿では,2つのタスクを同時に学習し,それぞれのトレーニングを促進するために本質的な相関性を利用するアプローチについて述べる。
提案手法は,様々な追従モデルの性能を改善し,正確なナビゲーション命令を生成する。
論文 参考訳（メタデータ） (2022-03-30T18:15:26Z) - Privileged Knowledge Distillation for Online Action Detection [114.5213840651675]
リアルタイム予測タスクに対処するフレーム単位のラベル付けタスクとして,ビデオ中のオンラインアクション検出(OAD)を提案する。
本稿では,トレーニング段階においてのみ観測可能な未来のフレームを特権情報の一種とみなすオンライン行動検出のための,新たな学習支援型フレームワークを提案する。
論文 参考訳（メタデータ） (2020-11-18T08:52:15Z)
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。