論文の概要: Agentic University: Collaborative Agents for Personalized Learning

• arxiv url: http://arxiv.org/abs/2610.40492v1
• Date: Thu, 29 Oct 2026 17:18:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.12029
• Title: Agentic University: Collaborative Agents for Personalized Learning
• Title（参考訳）: エージェント大学:パーソナライズドラーニングのための協調エージェント
• Abstract要約: 本稿では,人間参加型マルチエージェント・オーガナイゼーションを導入し,エージェント大学に導入する。 AUでは、学習者は組織メンバーとして参加し、修正可能な能力プログラムを維持するために専門のエージェントと仕事をする。 ユーザーはより大きな平均評価を達成し、より強力な認知支援を報告した。
• 参考スコア（独自算出の注目度）: 46.41485162838876
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models support personalized tutoring, content generation, and adaptive learning paths. However, capability development requires these resources and interactions to form a coherent learning process that evolves with the learner. A central challenge is to align goals, activities, and assessment while using learning evidence to decide what should follow. We introduce Human-Participatory Multi-Agent Organization and instantiate it in Agentic University (AU). In AU, learners participate as organization members and work with specialized agents to maintain a revisable Capability Program. The program connects personal goals, learning activities across modalities, and layered assessment, while learner feedback and performance guide subsequent support. Our evaluation shows advantages in program organization, assessment design, and revision quality. Users achieved larger mean assessment gains (12.19 versus 5.61 points on a 50-point scale) and reported stronger cognitive support. This work contributes an organizational approach to adaptive learning that makes learner participation a continuing basis for multi-agent coordination. The Agentic University project is available at \href{https://github.com/AgenticOrgLab/AgenticUniversity.git}.
• Abstract（参考訳）: 大規模言語モデルは、パーソナライズされたチュータリング、コンテンツ生成、適応的な学習パスをサポートする。 しかし、能力開発はこれらのリソースと相互作用を必要とし、学習者と進化する一貫性のある学習プロセスを形成する。 中心的な課題は、目標、アクティビティ、アセスメントを調整し、学習エビデンスを使用して、何に従うべきかを決定することである。 本稿では,人間参加型多エージェント組織を紹介し,エージェント大学(AU)に導入する。 AUでは、学習者は組織メンバーとして参加し、修正可能な能力プログラムを維持するために専門のエージェントと仕事をする。 このプログラムは、個人的目標、モダリティを越えた学習活動、階層化された評価を結び、学習者のフィードバックとパフォーマンスガイドはその後の支援を導く。 評価は、プログラム組織、評価設計、リビジョン品質の利点を示す。 ユーザーはより大きな平均評価(50点で5.61点に対して12.19点)を達成し、認知支援の強化を報告した。 この研究は適応学習への組織的アプローチに寄与し、学習者の参加をマルチエージェント協調の継続的な基盤とする。 Agentic University プロジェクトは \href{https://github.com/AgenticOrgLab/AgenticUniversity.git} で公開されている。

関連論文リスト

• Learning Self-Orchestration in Decentralized Agent Swarms [69.26948968415893]
  市場ベースのポストトレーニング(MPT)は、分散エージェント群におけるアクションポリシーと自己組織化を共同で学習するためのフレームワークである。 行動と入札行動の両方を学ぶことで、個々の能力と参加パターンが一緒に適応できます。 MPTは分散エージェントSwarmの再利用、スケーリング、堅牢性をサポートする。
  論文  参考訳（メタデータ） (2026-10-15T17:51:57Z)
• AgentForge: An Immersive Role-Playing Platform for Learning Agentic Software Engineering [4.609790123179083]
  textitAgentForgeは、初心者が4つのソフトウェアエンジニアリングの役割のうちの1つを担う没入型学習システムである。 各練習セッションでは、初心者が選択した役割を演じ、AIエージェントが残りの3つを実行する。 37人の初心者開発者を対象にした調査では、AIエージェントのサポートで高いタスク補完率を達成した。
  論文  参考訳（メタデータ） (2026-08-04T18:58:18Z)
• DeepTutor: Towards Agentic Personalized Tutoring [17.49651550264547]
  DeepTutorは、パーソナライズされた学習のためのエージェントネイティブなオープンソースフレームワークである。 動的多解像度メモリと静的知識を結合したハイブリッドパーソナライズエンジンを提案する。 また、TutorBotはプロアクティブなマルチエージェント層で、スキルと統合マルチチャネルアクセスを通じてチュータ機能をデプロイする。
  論文  参考訳（メタデータ） (2026-04-10T17:57:00Z)
• SEAgent: Self-Evolving Computer Use Agent with Autonomous Learning from Experience [71.82719117238307]
  本稿では,コンピュータ利用エージェントが不慣れなソフトウェアとのインタラクションを通じて進化することを可能にするエージェント型自己進化フレームワークSEAgentを提案する。 我々は、OS-World内の5つの新しいソフトウェア環境におけるSEAgentの有効性を検証する。 当社のアプローチは,競合するオープンソースCUAに比べて,11.3%から34.5%という,23.2%の大幅な改善を実現している。
  論文  参考訳（メタデータ） (2025-08-06T17:58:46Z)
• HARP: Human-Assisted Regrouping with Permutation Invariant Critic for Multi-Agent Reinforcement Learning [22.820017018732994]
  グループ指向タスクのための多エージェント強化学習フレームワークであるHARP(Human-Assisted Regrouping with Permutation Invariant Critic)を提案する。 HARPは、自動エージェント再編成と、展開中の戦略的人的支援を統合し、非専門家が効果的なガイダンスを提供することを可能にしている。 複数のコラボレーションシナリオにおいて、私たちのアプローチは、非専門家からの限られたガイダンスを活用でき、パフォーマンスを向上させることができます。
  論文  参考訳（メタデータ） (2024-09-18T06:54:36Z)
• LLM-Coordination: Evaluating and Analyzing Multi-agent Coordination Abilities in Large Language Models [23.092480882456048]
  大きな言語モデル(LLM)は、創発的な常識推論と心の理論(ToM)能力を示している。 本研究では,Pure Coordination Sets の文脈で LLM を解析するための新しいベンチマークである LLM-Coordination Benchmark を紹介する。
  論文  参考訳（メタデータ） (2023-10-05T21:18:15Z)
• ProAgent: Building Proactive Cooperative Agents with Large Language Models [89.53040828210945]
  ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。 ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。 ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
  論文  参考訳（メタデータ） (2023-08-22T10:36:56Z)
• Deep Reinforcement Learning for Multi-Agent Interaction [14.532965827043254]
  自律エージェント研究グループは、自律システム制御のための新しい機械学習アルゴリズムを開発した。 本稿では,現在進行中の研究ポートフォリオの概要を概説するとともに,今後の課題について論じる。
  論文  参考訳（メタデータ） (2022-08-02T21:55:56Z)

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。