論文の概要: MUSE: Revealing Responsiveness Gaps of LLM Tutors on Multiple-Solution Programming Problems

• arxiv url: http://arxiv.org/abs/2610.36367v1
• Date: Mon, 26 Oct 2026 22:30:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 04:15:49.207221
• Title: MUSE: Revealing Responsiveness Gaps of LLM Tutors on Multiple-Solution Programming Problems
• Title（参考訳）: MUSE:マルチソリューションプログラミング問題におけるLLMチュータの応答性ギャップの解明
• Abstract要約: 問題に複数の有効な解が認められる場合、効果的なチュータリングは生徒の戦略に基づいて、適切な点において代替案を導入する必要がある。 本稿では,MUSE: Multi-solution Understanding and Simulation Environmentを紹介する。 LLMチューターがどのソリューションを好むか、学生のアプローチにどう反応するか、どのようにソリューション間で遷移するかについて検討する。
• 参考スコア（独自算出の注目度）: 1.0312968200748116
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When a problem admits multiple valid solutions, effective tutoring requires building on a student's strategy while introducing alternatives at appropriate points. However, whether LLM tutors can support this flexibility by appropriately responding to students' diverse solution approaches remains largely unexplored. In this work, we introduce MUSE: Multi-solution Understanding and Simulation Environment, a controlled environment for simulating student-tutor conversations on multiple-solution programming problems. Grounded in learning science on responsive instruction and multiple-solution learning, we investigate which solutions LLM tutors prefer, how they respond to students' approaches, and how they transition between solutions. Experiments suggest that LLM tutors exhibit systematic preferences among valid solutions, often favoring brute-force approaches when not providing general advice. More concerningly, tutors often impose these preferences, redirecting students toward their own preferred approach rather than supporting the student's. Yet this tendency reverses once a solution is completed: tutors often remain anchored to the existing approach when a stronger alternative could deepen understanding, and sometimes even transition to a less optimal approach. Thus, tutors struggle both to build on students' reasoning when appropriate and to extend their reasoning when beneficial. Promisingly, targeted post-training improves both tutor responsiveness and transitions toward more optimal solutions.
• Abstract（参考訳）: 問題に複数の有効な解が認められる場合、効果的なチュータリングは生徒の戦略に基づいて、適切な点において代替案を導入する必要がある。 しかし,LLM チューターがこの柔軟性を学生の多様なソリューションアプローチに適切に対応できるかどうかについては,まだ明らかになっていない。 本稿では,MUSE: Multi-solution Understanding and Simulation Environment(マルチソリューション理解とシミュレーション環境)を紹介する。 レスポンシブ・インストラクションとマルチソリューション・ラーニングを基礎として,LLM家庭教師がどのソリューションを好むか,どのように学生のアプローチに反応するか,どのようにソリューション間で移行するかを考察した。 実験により、LLMチューターは有効なソリューションの体系的な選好を示すことが示唆され、一般的なアドバイスを提供しない場合、しばしばブルートフォースアプローチが好まれる。 より具体的には、教師はしばしばこれらの好みを課し、生徒の支持よりも生徒の好みのアプローチに振り向ける。 しかし、この傾向は解が完成すれば逆転する: より強力な代替手段が理解を深める場合、チューターは既存のアプローチに固執することが多く、時にはより最適でないアプローチに移行することもある。 このように、教師は学生の推論を適切なときに構築し、有益であればその推論を拡張するのに苦労する。 トレーニング後のターゲットは、チューターの応答性と、より最適なソリューションへの移行の両方を改善する。

関連論文リスト

• ToST: A Tree-of-Thought Socratic Teaching Framework for Multi-Path Guidance and Parallel Thinking [5.082760360268346]
  大規模言語モデル(LLM)は強力な問題解決能力を示し、ソクラテス教育の有望なエージェントとして位置づけている。 既存のアプローチでは、1-problem-one-solutionパラダイムを採用し、指導指導を1つの線形推論経路に制限する。 ToSTは,マルチパスガイダンスを,一プロブレム・マルチプル・ソリューションのパラダイムの下で明示的にサポートするソクラティック・インストラクション・フレームワークである。
  論文  参考訳（メタデータ） (2026-08-26T13:18:36Z)
• AI Assistants Overassist [11.910820103556574]
  大規模言語モデル(LLM)は、チューターや思考パートナーとしてますます使われており、ユーザーが問題を推論するのに役立っている。 AIシステムは、問題解決中の介入決定をどのようにナビゲートするかは、いまだに理解されていない。 Int-Benchは「学生」をシミュレートし、「教師」が生徒の推論を監視し、いつ、どのように介入するかを決定する。
  論文  参考訳（メタデータ） (2026-07-23T13:30:01Z)
• Confirming Correct, Missing the Rest: LLM Tutoring Agents Struggle Where Feedback Matters Most [6.427759179824697]
  本研究では,10,836の解対と3つのフィードバック条件の知識グラフに基づく基底真理を用いた提案論理における7つのLLMフィードバックエージェントのベンチマークを示す。 モデルでは、最適ステップでニアシーリング性能を得たが、体系的には過剰に退避し、有効だが最適でない推論と過剰に無効化された不正確な解を得た。 以上の結果から,LLMはKGグラウンドモデルで診断処理を行うハイブリッドアーキテクチャに適しており,LLMは開き足場と対話をサポートすることが示唆された。
  論文  参考訳（メタデータ） (2026-05-15T17:24:42Z)
• From Problem-Solving to Teaching Problem-Solving: Aligning LLMs with Pedagogy using Reinforcement Learning [82.50157695987558]
  大規模言語モデル(LLM)は教育を変換することができるが、直接質問応答のための最適化はしばしば効果的な教育を損なう。 オンライン強化学習(RL)に基づくアライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-21T15:00:07Z)
• A Knapsack by Any Other Name: Presentation impacts LLM performance on NP-hard problems [64.05451567422342]
  自然言語で表現されたNPハード問題の集合であるEveryday Hard Optimization Problems (EHOP) のデータセットを紹介する。 EHOPには、コンピュータサイエンスの教科書(例えば、グラフカラー化)で見られる問題の定式化が含まれている。 複数のプロンプト戦略にまたがる最先端のLCMは、実生活や逆転よりも正確な教科書問題を解くことができる。
  論文  参考訳（メタデータ） (2025-02-19T14:39:59Z)
• Thought Propagation: An Analogical Approach to Complex Reasoning with Large Language Models [62.96551299003463]
  大規模言語モデルの複雑な推論能力を高めるために,textbftextitThought Propagation (TP)を提案する。 TP はまず LLM に対して,入力問題に関連する類似問題の集合を提案し,解決するよう促す。 TPは、類似問題の結果を再利用して、新しいソリューションを直接生成したり、スクラッチから得られた初期ソリューションを修正するための知識集約的な実行プランを導出する。
  論文  参考訳（メタデータ） (2023-10-06T01:40:09Z)

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。