論文の概要: A Unified Response Framework for Questions and Tutoring Dialogues
- arxiv url: http://arxiv.org/abs/2610.19532v1
- Date: Wed, 14 Oct 2026 03:47:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.945454
- Title: A Unified Response Framework for Questions and Tutoring Dialogues
- Title（参考訳）: 質問と学習対話のための統一応答フレームワーク
- Abstract要約: 本稿では,学生の質問に対する回答と対話中の教師が提案するサブタスクの両方をモデル化する統合フレームワークを提案する。
まず,教師対話における数学的サブタスクを特定し,それを自己完結した質問に書き直し,これらのサブタスクに対する学生の反応の正しさを同定する。
次に、テキストから質問/サブタスクの難易度を推定し、質問応答と対話の相互作用を通して生徒の進化能力を追跡するIRTフレームワークを開発する。
- 参考スコア（独自算出の注目度）: 1.0925984279848489
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing student models in educational applications largely focus on student responses to questions. However, as tutoring becomes more accessible at large scale, it is important to analyze dialogues between tutors and students, which may reveal fine-grained evidence on student knowledge. In this work, we propose a unified framework that models both student responses to questions and tutor-posed subtasks during dialogues on a shared item response theory (IRT) scale. We first identify mathematical subtasks in tutoring dialogues, rewrite them into self-contained questions, and identify the correctness of student responses to these subtasks. We then develop an IRT framework that estimates question/subtask difficulty from text, tracks students' evolving abilities across question-answering and dialogue interactions, and a novel method to leverages tutor moves between consecutive subtasks to regularize their difficulty values. We evaluate our framework on two real-world math education datasets containing both human- and AI-tutored dialogues. Results show that our framework outperforms strong baselines on both question difficulty prediction and response correctness prediction.
- Abstract（参考訳）: 教育応用における既存の学生モデルは、主に質問に対する学生の反応に焦点を当てている。
しかし,学習者が大規模に普及するにつれて,教師と生徒の対話を解析することが重要であり,学生の知識に関する詳細な証拠が明らかになる可能性がある。
本研究では,学生の質問に対する回答と,共有項目応答理論(IRT)尺度での対話中に提案するサブタスクの両方をモデル化する統合フレームワークを提案する。
まず,教師対話における数学的サブタスクを特定し,それを自己完結した質問に書き直し,これらのサブタスクに対する学生の反応の正しさを同定する。
次に,テキストから質問/サブタスクの難易度を推定するIRTフレームワークを開発し,質問応答と対話の相互作用を通じて生徒の進化能力を追跡するとともに,連続するサブタスク間のチューターの動きを利用して難易度を正規化する新しい手法を提案する。
我々は,人間とAIによる対話を含む実世界の2つの数学教育データセットについて,その枠組みを評価した。
その結果,本フレームワークは問合せ難易度予測と応答精度予測の両方において,高いベースラインを達成できた。
関連論文リスト
- Interpretable Difficulty-Aware Knowledge Tracing in Tutor-Student Dialogues [46.915280360954576]
大規模言語モデル(LLM)上に構築された難易度を考慮した対話型KTフレームワークを提案する。
このフレームワークは、学生の知識状態と今後のターンの難しさを推定するために、原文質問と次のチューター提案タスクを組み込んだものである。
学習者/学生の対話データセットを2つ評価する。
論文 参考訳（メタデータ） (2026-05-01T21:07:24Z) - Representation Learning to Study Temporal Dynamics in Tutorial Scaffolding [9.91280795515591]
アダプティブ・スキャフォールディングは学習を促進するが、実際の学習対話の中でそれを測定するための堅牢な方法が欠如している。
本稿では,対話のターン,問題文,正しい解のセマンティクスを整合させることにより,足場動態を解析する埋め込み型手法を提案する。
我々は,この枠組みを,Eedi Question Anchored Tutoring Dialoguesデータセットから,実世界の1,576のチュータリング対話に適用した。
論文 参考訳（メタデータ） (2026-03-25T17:11:56Z) - "How Do I ...?": Procedural Questions Predominate Student-LLM Chatbot Conversations [39.146761527401424]
本稿では,学習コンテキストの異なる2つのデータセット,形式的自己学習(formive self-study)と要約的評価コースワーク(summative evaluationed coursework)に焦点をあてる。
11の異なるLarge Language Model(LLM)と3つの人間レーダを用いて、両方の学習文脈から6,113のメッセージを分析した。
以上の結果から,「手続き的」な質問は両学習文脈で優位に立つが,学生が要約的評価の準備をする場合には,その傾向が示唆された。
論文 参考訳（メタデータ） (2026-02-20T17:27:41Z) - Reflecting in the Reflection: Integrating a Socratic Questioning Framework into Automated AI-Based Question Generation [10.05797775116765]
本稿では,大規模言語モデル(LLM)を用いたリフレクション質問の自動生成のためのリフレクション・イン・リフレクション・フレームワークを提案する。
本稿では,教師と教師の2つの役割特化エージェントをコーディネートし,ソクラテス的多ターン対話を行い,一つの質問を反復的に洗練する手法を提案する。
我々の2エージェントプロトコルは、ワンショットベースラインよりもはるかに関連性があり、より深く、より総合的に判断される質問を生成する。
論文 参考訳（メタデータ） (2026-01-21T09:23:11Z) - Retrieval-augmented Generation to Improve Math Question-Answering:
Trade-offs Between Groundedness and Human Preference [0.0]
我々は、高品質なオープンソースの数学教科書からコンテンツを検索して利用し、実際の学生の質問に対する応答を生成するプロンプトを設計する。
マルチ条件サーベイを実施し,中学代数学と幾何学QAのためのRAGシステムの有効性を評価した。
我々は、RAGは応答品質を向上させることができるが、数学のQAシステムの設計者は、学生が好む応答と、特定の教育資源に密接に適合する応答とのトレードオフを検討する必要があると論じる。
論文 参考訳（メタデータ） (2023-10-04T22:09:28Z) - Covering Uncommon Ground: Gap-Focused Question Generation for Answer
Assessment [75.59538732476346]
このようなギャップに着目した質問(GFQ)を自動生成する問題に着目する。
タスクを定義し、優れたGFQの所望の側面を強調し、これらを満たすモデルを提案する。
論文 参考訳（メタデータ） (2023-07-06T22:21:42Z) - MathDial: A Dialogue Tutoring Dataset with Rich Pedagogical Properties
Grounded in Math Reasoning Problems [74.73881579517055]
そこで本稿では,一般学生の誤りを表現した大規模言語モデルを用いて,人間教師の対話を生成する枠組みを提案する。
このフレームワークを用いて3kの1対1の教師-学生対話のデータセットであるMathDialを収集する方法について述べる。
論文 参考訳（メタデータ） (2023-05-23T21:44:56Z) - Question-Interlocutor Scope Realized Graph Modeling over Key Utterances
for Dialogue Reading Comprehension [61.55950233402972]
本稿では,対話読解のためのキーワード抽出手法を提案する。
複数の連続した発話によって形成された単位に対して予測を行い、より多くの回答を含む発話を実現する。
発話のテキスト上に構築されたグラフとして,質問-対話者スコープ実現グラフ(QuISG)モデルを提案する。
論文 参考訳（メタデータ） (2022-10-26T04:00:42Z) - Reasoning in Dialog: Improving Response Generation by Context Reading
Comprehension [49.92173751203827]
マルチターンダイアログでは、発話が文の完全な形を取るとは限らない。
読み解きの質問に答えるモデルの能力を検討し、応答生成性能の向上を提案する。
論文 参考訳（メタデータ） (2020-12-14T10:58:01Z) - Learning an Effective Context-Response Matching Model with
Self-Supervised Tasks for Retrieval-based Dialogues [88.73739515457116]
我々は,次のセッション予測,発話復元,不整合検出,一貫性判定を含む4つの自己教師型タスクを導入する。
我々はPLMに基づく応答選択モデルとこれらの補助タスクをマルチタスク方式で共同で訓練する。
実験結果から,提案した補助的自己教師型タスクは,多ターン応答選択において大きな改善をもたらすことが示された。
論文 参考訳（メタデータ） (2020-09-14T08:44:46Z) - Neural Multi-Task Learning for Teacher Question Detection in Online
Classrooms [50.19997675066203]
教師の音声記録から質問を自動的に検出するエンドツーエンドのニューラルネットワークフレームワークを構築している。
マルチタスク学習手法を取り入れることで,質問の種類によって意味的関係の理解を深めることが可能となる。
論文 参考訳（メタデータ） (2020-05-16T02:17:04Z)
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。