論文の概要: Do LLM Tutors Actually Teach? A Process-Centered Synthesis of the Tutoring Loop

• arxiv url: http://arxiv.org/abs/2610.15692v2
• Date: Wed, 14 Oct 2026 05:07:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.236473
• Title: Do LLM Tutors Actually Teach? A Process-Centered Synthesis of the Tutoring Loop
• Title（参考訳）: LLMチュータは実際に教えるのか? チュータループのプロセス中心合成
• Abstract要約: 大規模な言語モデルでは、流線型のチューリング対話を生成できるが、実際に学生が学習するのを手助けするかどうかは不明だ。 本稿では,学習者状態の推論から教育行動への道のりをたどったLLM授業のプロセス中心の合成について述べる。 プログレッシブは、個々のコンポーネントの改善だけでなく、チューリングステージ間のインターフェイスを有効化する必要がある、と我々は主張する。
• 参考スコア（独自算出の注目度）: 8.97184219101719
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models can produce fluent tu- toring dialogue, but whether they actually help students learn remains unclear. We present a process-centered synthesis of LLM tutoring that follows the path from learner-state infer- ence to pedagogical action, tutor training, eval- uation, and student simulation. This view ex- poses a central gap: implementing a tutoring component does not establish that it works or that its outputs meaningfully affect later stages. A structured study-level audit shows that peda- gogical evaluation is common, while evidence becomes much thinner for learner-conditioned intervention, human learning gains, and espe- cially transfer or delayed retention. Human studies nevertheless provide a conditional posi- tive result: LLM tutors can improve learning, but benefits depend on pedagogical structure, learner engagement, and how learning is mea- sured. We argue that progress requires validat- ing the interfaces between tutoring stages, not only improving individual components.
• Abstract（参考訳）: 大規模な言語モデルでは、流線型のチューリング対話を生成できるが、実際に学生が学習するのを手助けするかどうかは不明だ。 本稿では,学習者状態の推論から教育行動,教師養成,eval-uation,学生シミュレーションへの道のりを辿るLLMチューターのプロセス中心の合成について述べる。 トレーニングコンポーネントの実装は、それが機能するか、あるいは出力が後段に有意に影響を及ぼすことを保証しません。 構造化された調査レベル監査は、ペダ・ゴジカル評価が一般的であることを示し、学習者の条件付き介入、人間の学習の利得、エスペ・シラル・トランスファーまたは遅延保持の証拠はより薄くなっている。 LLM家庭教師は学習を改善することができるが、利点は教育構造、学習者のエンゲージメント、学習がいかに確実であるかに依存している。 プログレッシブは、個々のコンポーネントの改善だけでなく、チューリングステージ間のインターフェイスを有効化する必要がある、と我々は主張する。

関連論文リスト

• SLATE: Are AI-Generated Slides Educationally Effective? A Benchmark for Language Teaching Quality and Learner Knowledge Acquisition [12.243304149666258]
  SLATEは,AIが生成する言語指導スライドを,学習者の知識獲得と教育効果を通じて評価する最初のベンチマークである。 SLATEは、言語学のオリンピアードパズルを、無視できるウェブ存在の低リソース言語から90の標準命令単位に変換する。 以上の結果から,コンテンツ妥当性は学習効果と弱い相関を示す一方,教育設計は堅牢な正の相関を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2026-09-05T18:14:23Z)
• TeachLM: Post-Training LLMs for Education Using Authentic Learning Data [4.600044635815686]
  TeachLMは、パラメータ効率の良い最先端モデルの微調整を用いた教育に最適化された大きな言語モデルである。 パラメータ効率のよい微調整を用いて,高忠実度合成学生と教師の対話を生成できる真正な学生モデルを構築する。 本評価は,学習データの微調整が会話や教育のパフォーマンスを著しく向上させることを示す。
  論文  参考訳（メタデータ） (2025-10-06T17:55:04Z)
• Improving Student-AI Interaction Through Pedagogical Prompting: An Example in Computer Science Education [1.1517315048749441]
  大規模言語モデル(LLM)アプリケーションは、興奮と懸念の両方を引き起こした。 最近の研究は、LLMの誤用が学習の妨げとなることを一貫して強調している。 本研究の目的は,LLMの学習改善を効果的に促進する方法を学生に教えることである。
  論文  参考訳（メタデータ） (2025-06-23T20:39:17Z)
• Exploring Knowledge Tracing in Tutor-Student Dialogues using LLMs [49.18567856499736]
  本研究では,大規模言語モデル(LLM)が対話学習を支援することができるかどうかを検討する。 我々は,学習者の知識レベルを対話全体にわたって追跡するために,ラベル付きデータに知識追跡(KT)手法を適用した。 我々は,2つの学習対話データセットの実験を行い,従来のKT手法よりも学生の反応の正しさを予測できる新しいLCM-based method LLMKTが優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-24T22:31:39Z)
• Scaffolding Language Learning via Multi-modal Tutoring Systems with Pedagogical Instructions [34.760230622675365]
  知的家庭教師システム(ITS)は、人間の家庭教師を模倣し、学習者にカスタマイズされた指導やフィードバックを提供することを目的としている。 生成人工知能の出現に伴い、大規模言語モデル(LLM)は、複雑な会話の相互作用をシステムに付与する。 教育指導がITSの足場形成をいかに促進するかを,子どもに言語学習のための画像記述を指導するケーススタディにより検討した。
  論文  参考訳（メタデータ） (2024-04-04T13:22:28Z)
• Evaluating and Optimizing Educational Content with Large Language Model Judgments [52.33701672559594]
  言語モデル(LM)を教育専門家として活用し,学習結果に対する様々な指導の影響を評価する。 本稿では,一方のLMが他方のLMの判断を報酬関数として利用して命令材料を生成する命令最適化手法を提案する。 ヒトの教師によるこれらのLM生成ワークシートの評価は、LM判定と人間の教師の嗜好との間に有意な整合性を示す。
  論文  参考訳（メタデータ） (2024-03-05T09:09:15Z)
• YODA: Teacher-Student Progressive Learning for Language Models [82.0172215948963]
  本稿では,教師が指導するプログレッシブ・ラーニング・フレームワークであるYodaを紹介する。 モデルファインチューニングの有効性を向上させるために,教師の教育過程をエミュレートする。 実験の結果, YODAのデータによるLLaMA2のトレーニングにより, SFTは大幅に向上した。
  論文  参考訳（メタデータ） (2024-01-28T14:32:15Z)
• Democratizing Reasoning Ability: Tailored Learning from Large Language Model [97.4921006089966]
  そこで我々は,そのような推論能力をより小さなLMに蒸留する,適切な学習手法を提案する。 対話型多ラウンド学習パラダイムを構築することにより,理科教員としてのLLMの可能性を活用する。 より小さなLMの推論可能性を活用するために,学生が自作ミスから学習する動機付けを目的とした自己回帰学習を提案する。
  論文  参考訳（メタデータ） (2023-10-20T07:50:10Z)
• Iterative Teacher-Aware Learning [136.05341445369265]
  人間の教育において、教師と学生はコミュニケーション効率を最大化するために適応的に交流することができる。 本稿では,教師の協調意図を可能性関数に組み込むことができる,勾配最適化に基づく教師認識学習者を提案する。
  論文  参考訳（メタデータ） (2021-10-01T00:27:47Z)

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。