論文の概要: A pedagogically guided LLM framework for scaffolding human-AI cocreation and preserving learners' agency and creativity

• arxiv url: http://arxiv.org/abs/2610.33051v1
• Date: Sun, 18 Oct 2026 15:44:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.228221
• Title: A pedagogically guided LLM framework for scaffolding human-AI cocreation and preserving learners' agency and creativity
• Title（参考訳）: 人間とAIの共創を足場化し、学習者の主体と創造性を維持するための教育指導型LLMフレームワーク
• Abstract要約: 大規模言語モデル(LLM)は、認知的作業学習者と重複しながら、代替案、精巧なアイデア、合理性を提供することができる。 本研究は,教育者によって承認された各活動の仕様から,教育的に制約されたLLMの振る舞いを導出するための認知教育的枠組みを開発する。
• 参考スコア（独自算出の注目度）: 1.1125818448814198
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) can generate alternatives, elaborate ideas and supply rationales, overlapping with cognitive work learners are expected to perform. However, human-AI cocreation still lacks a mechanism for determining how AI can scaffold learners' creative decision-making. This study develops a cognitive-pedagogical framework for deriving the behaviour of a pedagogically constrained LLM from an educator-approved specification of each activity in a cocreative process in project-based learning. The creative-process phase supplies the activity's purpose, typical processes and pedagogical conditions; the active section of a creative technique specifies how the group works on its ideas. For each task, an educator approves four fields: a cognitive and metacognitive objective, a pedagogical objective, the task and group artefact as context, and the learner-owned product. The objective identifies the creative operations and decisions about progress, focus, criteria and next steps that remain with the group. Four translation rules derive permitted support, timing, feedback scope and prohibitions. The framework is illustrated with Viacocrea's six phases and two activities: Plan Brainstorming and a constructed Build activity using PPCo (Pluses, Potentials, Concerns, Overcoming concerns). In the proposed workflow, a controller applies the approved specification to student requests and feedback offers. Prompt engineering and approved pedagogical guidance retrieved through retrieval-augmented generation (RAG) inform a draft, which is checked for form, pedagogical function and safety before delivery. The worked examples illustrate how support can differ between activities while its constraints remain traceable to educator decisions. The framework offers educators and researchers a reusable way to derive LLM support from creative activities while preserving learners' agency and creativity.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、認知的作業学習者と重複しながら、代替案、精巧なアイデア、合理性を提供することができる。 しかし、人間のAIコクリエーションには、AIが学習者の創造的な意思決定を足場にする方法を決定するメカニズムがまだ欠けている。 本研究では, プロジェクトベース学習における共創造的プロセスにおいて, 教育者によって承認された各活動の仕様から, 教育的に制約されたLCMの振る舞いを導出するための認知教育的枠組みを開発する。 創造的プロセスフェーズは、その活動の目的、典型的なプロセス、教育的条件を提供する。 各タスクに対して、教育者は、認知的・メタ認知的目的、教育的目的、タスクとグループアーティファクトを文脈として、学習者が所有する製品という4つの分野を承認する。 目的は、グループに残る進歩、焦点、基準、次のステップに関する創造的な操作と決定を特定することである。 4つの翻訳規則は、サポート、タイミング、フィードバックの範囲、禁止を許容する。 このフレームワークは、Vacocreaの6つのフェーズと2つのアクティビティで説明されている。 提案したワークフローでは、コントローラが承認された仕様を学生の要求やフィードバックオファーに適用する。 検索強化世代 (RAG) によって検索されたプロンプトエンジニアリングと承認された教育指導は, 納品前の形式, 教育機能, 安全性を確認するドラフトを通知する。 実行可能な例は、サポートがアクティビティ間でどのように異なるかを示し、その制約は教育者決定にトレース可能である。 このフレームワークは、学習者のエージェンシーと創造性を保ちながら、創造活動からLLMをサポートする再利用可能な方法を提供する。

関連論文リスト

• Modularizing Educational LLM-Agency for Fostering Responsible Learning Assistance [1.0554048699217669]
  モノリシックでアウト・オブ・ザ・ボックスのソリューションに固有の構造的欠点について論じる。 本研究では,運動問題解決の異なる段階の特定のモジュールを提案し,対象の教育的アドバイスを組み込むことを可能にした。
  論文  参考訳（メタデータ） (2026-05-28T16:31:32Z)
• Beyond AI Delegation: A Prompt Pattern Framework for Productive Struggle and Evaluative Judgement in Secure Coding Education [0.45706494756895794]
  大規模な言語モデルは、学生が自動システムに書き込み、分析、問題解決を委譲しやすくする。 我々は,GenAIが価値ある認知的要求をなくすことなく,教育者がGenAIをコースに維持するのに役立つ実践的な枠組みを導入する。
  論文  参考訳（メタデータ） (2026-05-23T07:35:49Z)
• Agentic Reasoning for Large Language Models [122.81018455095999]
  推論は推論、問題解決、意思決定の基礎となる基本的な認知プロセスである。 大規模言語モデル(LLM)は、クローズドワールド設定では強力な推論能力を示すが、オープンエンドおよび動的環境では苦労する。 エージェント推論は、連続的な相互作用を計画し、行動し、学習する自律的なエージェントとしてLLMを解釈することでパラダイムシフトを示す。
  論文  参考訳（メタデータ） (2026-01-18T18:58:23Z)
• LLM Agents Beyond Utility: An Open-Ended Perspective [50.809163251551894]
  我々は、事前訓練されたLLMエージェントを、自身のタスクを生成し、知識を蓄積し、その環境と広範囲に相互作用する能力で強化する。 複雑なマルチステップ命令を確実に追跡し、実行中に情報を保存、再利用し、独自のタスクを提案し、解決することができる。 迅速な設計や反復的なタスク生成に敏感であり、自己表現を形成することができない。
  論文  参考訳（メタデータ） (2025-10-16T10:46:54Z)
• Large Language Models in Architecture Studio: A Framework for Learning Outcomes [0.0]
  本研究は,建築デザインスタジオにおける大規模言語モデル(LLM)の役割について考察する。 主な課題は、学生の自主性の管理、ピアフィードバックの緊張、技術知識の伝達と教育における創造性の刺激とのバランスの難しさである。
  論文  参考訳（メタデータ） (2025-10-08T02:51:22Z)
• Cognitive LLMs: Towards Integrating Cognitive Architectures and Large Language Models for Manufacturing Decision-making [51.737762570776006]
  LLM-ACTRは、ヒトに適応し、多目的な意思決定を提供する新しいニューロシンボリックアーキテクチャである。 我々のフレームワークは、ACT-Rの内部決定過程の知識を潜在神経表現として抽出し、組み込む。 デザイン・フォー・マニュファクチャリング・タスクに関する我々の実験は、タスク性能の向上と基礎的意思決定能力の向上を両立させたものである。
  論文  参考訳（メタデータ） (2024-08-17T11:49:53Z)
• 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)
• Generative AI in the Classroom: Can Students Remain Active Learners? [23.487653534242092]
  ジェネレーティブ・人工知能(英語版) (GAI) は教育における二重の武器と見なすことができる。 本稿では,学生の積極的学習戦略と関連するメタ認知能力に及ぼす効果に焦点を当てる。 GAIベースの教育アプリケーションに教育的透明性を導入するための枠組みを提案する。
  論文  参考訳（メタデータ） (2023-10-04T22:33:46Z)
• Learning Multi-Objective Curricula for Deep Reinforcement Learning [55.27879754113767]
  深部強化学習(DRL)のサンプル効率と最終性能を向上させるために,各種自動カリキュラム学習(ACL)手法が提案されている。 本稿では,多目的だがコヒーレントなカリキュラムを作成するための統合された自動カリキュラム学習フレームワークを提案する。 既存の手設計のカリキュラムパラダイムに加えて,抽象カリキュラムを学習するためのフレキシブルなメモリ機構を設計する。
  論文  参考訳（メタデータ） (2021-10-06T19:30:25Z)
• Teachers' perspective on fostering computational thinking through educational robotics [0.6410282200111983]
  創造的問題解決モデル(CCPS)は、教育ロボティクス学習活動の設計を改善するために用いられる。 本研究の目的は,教師によるモデルの有効性を検証することである。 教師は、CCPSモデルはスキルを育成するのに有用であるが、特定の介入方法がCT関連認知過程に与える影響を認識できなかった。
  論文  参考訳（メタデータ） (2021-05-11T12:31:44Z)
• Dual Policy Distillation [58.43610940026261]
  教員政策を学生政策に転換する政策蒸留は、深層強化学習の課題において大きな成功を収めた。 本研究では,2人の学習者が同じ環境下で活動し,環境の異なる視点を探索する,学生学生による二重政策蒸留(DPD)を導入する。 この二重学習フレームワークを開発する上で重要な課題は、同時代の学習に基づく強化学習アルゴリズムにおいて、ピア学習者から有益な知識を特定することである。
  論文  参考訳（メタデータ） (2020-06-07T06:49:47Z)

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。