論文の概要: HACHIMI-II: From Role-Play to Learner Behavior Modeling for Faithful Student Simulation

• arxiv url: http://arxiv.org/abs/2610.19654v1
• Date: Wed, 14 Oct 2026 06:24:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.992439
• Title: HACHIMI-II: From Role-Play to Learner Behavior Modeling for Faithful Student Simulation
• Title（参考訳）: はちみ-II:ロールプレイから学習者行動モデリングへ
• Abstract要約: 八味二は学習者の歴史から学生モデルを構築し、学習者の状態を現在の項目や家庭教師のターンに推測し、それを行動ハーネスにコンパイルする。 シミュレーションされた学生は、モデルによって設定されたレベルで実行し、互いにほとんど異なり、真の学習者の誤りをほとんど起こさない。
• 参考スコア（独自算出の注目度）: 21.556842571804342
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulated students let researchers test tutoring systems and teaching strategies before real learners are available, but only if the simulation reproduces where a particular learner succeeds and fails. The common approach asks a large language model to role-play a student, but a role does not model what this learner knows or will do next, so the model's own competence fills the gap. Simulated students perform at a level set by the model, differ little from one another, and seldom make the real learners' errors. We model the learner's behavior and recast student simulation as third-person prediction of the learner's next action. HACHIMI-II builds a student model from the learner's history, infers the learner's state for the current item or tutor turn, and compiles it into a behavior harness that constrains the next action. On three item-response datasets, the Wasserstein-1 distance between simulated and real student ability is 2.4--8.4$\times$ smaller than that of the strongest baseline. On two dialogue datasets, HACHIMI-II reproduces real student errors with the same knowledge type, locus, and mechanism 1.8--5.1$\times$ more often than the strongest baseline, and ablations trace the gains mainly to the explicit learner state. Predicting the learner makes capable models usable as simulated students.
• Abstract（参考訳）: シミュレーションされた学生は、実際の学習者が利用可能になる前に、学習システムや教育戦略をテストすることができるが、シミュレーションが特定の学習者が成功して失敗するところを再現した場合に限られる。 一般的なアプローチでは、大きな言語モデルに学生のロールプレイを依頼するが、その役割は学習者が次に何をするか、あるいは何をするかをモデル化しないため、モデル自身の能力がギャップを埋める。 シミュレーションされた学生は、モデルによって設定されたレベルで実行し、互いにほとんど異なり、真の学習者の誤りをほとんど起こさない。 学習者の振る舞いをモデル化し,学生シミュレーションを学習者の次の行動の3人称予測として再放送する。 八味二は学習者の歴史から学生モデルを構築し、学習者の状態を現在の項目や家庭教師のターンに推定し、次の行動を制限する行動ハーネスにコンパイルする。 3つの項目応答型データセットでは、シミュレーションと実際の学生の能力の間のワッサースタイン-1距離は、最強のベースラインのそれよりも2.4--8.4$\times$小さい。 2つの対話データセットでは、ハチミIIは同じ知識タイプ、軌跡、メカニズム 1.8--5.1$\times$ を最強のベースラインよりも頻繁に再現する。 学習者の予測は、シミュレーションされた学生として使える有能なモデルを作る。

関連論文リスト

• Who Am I? History-Aware Profiles for Student Simulation in Tutoring Dialogues [42.74448763964845]
  歴史条件付き学生シミュレーションの課題を紹介する。 本研究の目的は,学生の学習履歴の情報を活用することで,生徒の対話を正確に予測することである。 両コンポーネントを強化学習(RL)で訓練し、忠実な学生シミュレーションに最適化されたプロファイルを得る。
  論文  参考訳（メタデータ） (2026-05-28T15:02:51Z)
• Learning to Make MISTAKEs: Modeling Incorrect Student Thinking And Key Errors [58.65143578052761]
  本稿では,推論誤りの高品質な合成例を構成する新しい手法であるMISTAKEを提案する。 3つの教育課題において,MISTAKEを評価した結果,(1)誤答のシミュレーションにおいて高い精度が得られた。
  論文  参考訳（メタデータ） (2025-10-13T15:10:38Z)
• Classroom Simulacra: Building Contextual Student Generative Agents in Online Education for Learning Behavioral Simulation [10.209326669619273]
  N = 60の学生から6週間の教育ワークショップを開催し、カスタマイズされたオンライン教育システムを用いて詳細なデータを収集する。 本稿では,転送可能な反復リフレクション(TIR)モジュールを提案する。
  論文  参考訳（メタデータ） (2025-02-04T23:42:52Z)
• LLM-based Cognitive Models of Students with Misconceptions [55.29525439159345]
  本稿では,この2つの要件を満たすためにLLM(Large Language Models)を命令調整できるかどうかを検討する。 真正な学生ソリューションパターンを反映したデータセットを生成する新しいPythonライブラリであるMalAlgoPyを紹介する。 我々の洞察は、AIに基づく学生モデルの理解を高め、効果的な適応学習システムへの道を開く。
  論文  参考訳（メタデータ） (2024-10-16T06:51:09Z)
• Toward In-Context Teaching: Adapting Examples to Students' Misconceptions [54.82965010592045]
  本稿ではAdapTと呼ばれる一連のモデルと評価手法を紹介する。 AToMは、学生の過去の信念を共同で推論し、将来の信念の正しさを最適化する適応教育の新しい確率論的モデルである。 本研究は,適応型学習課題の難しさと,それを解決するための学習適応モデルの可能性を両立させるものである。
  論文  参考訳（メタデータ） (2024-05-07T17:05:27Z)
• Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [71.04084063541777]
  ランク付けのためのカウンターファクトラーニングはIRコミュニティで広く注目を集めている。 モデルは、ユーザの振る舞いの仮定が正しく、確率推定が正確であるときに理論的に非バイアス化される。 それらの有効性は通常シミュレーションベースの実験を通じて実証的に評価されるが、これは広く利用可能な大規模で実際のクリックログが不足しているためである。
  論文  参考訳（メタデータ） (2024-04-04T10:54:38Z)
• EduAgent: Generative Student Agents in Learning [15.215078619481732]
  オンライン教育における学生シミュレーションは,様々な背景を持つ学生の動的学習行動に対処するために重要である。 ディープラーニングに基づく既存のシミュレーションモデルでは、教育的文脈における事前知識が欠如しているため、大規模なトレーニングデータが必要である。 本研究は,認知的事前知識を取り入れた新しい生成エージェントフレームワークであるEduAgentを提案する。
  論文  参考訳（メタデータ） (2024-03-23T18:19:17Z)
• Leveraging generative artificial intelligence to simulate student learning behavior [13.171768256928509]
  本研究では,大規模言語モデル(LLM)による学生の学習行動のシミュレートの実現可能性について検討する。 従来の機械学習に基づく予測とは異なり、私たちはLLMを活用して、特定の人口層を持つ仮想学生をインスタンス化する。 我々の目的は、学習成果を予測するだけでなく、実際の学生の学習行動やパターンを再現することである。
  論文  参考訳（メタデータ） (2023-10-30T00:09:59Z)
• Generalisable Methods for Early Prediction in Interactive Simulations for Education [5.725477071353353]
  シミュレーションにおける生徒のインタラクションデータを,期待性能に基づいて分類することは,適応的な指導を可能にする可能性がある。 まず,学生のタスク内動作を通して概念的理解を計測する。 そこで,我々は,クリックストリームデータから,シミュレーションの状態と学生の行動の両方をエンコードする,新しいタイプの特徴を提案する。
  論文  参考訳（メタデータ） (2022-07-04T14:46:56Z)

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。