要約
オンライン学習は教育的アクセシビリティを向上させ、学生にいつでもどこでも学習する柔軟性を提供します。
ただし、重要な制限は、特に学生が数学の問題解決のエラーを修正するのを支援する際に、即時のパーソナライズされたフィードバックの欠如です。
いくつかの研究では、教育の文脈における大規模な言語モデル（LLM）の応用を調査しています。
この論文では、LLMSの機能を調査して、学生の数学の問題解決プロセスを評価し、適応的なフィードバックを提供します。
Matheduデータセットが導入され、教師のフィードバックが注釈が付けられた本物の学生ソリューションが含まれています。
モデルが2つのシナリオでパーソナライズされた学習をサポートするモデルの能力を評価します。1つは、モデルが学生の事前の回答履歴にアクセスできる場合、もう1つはコールドスタートコンテキストをシミュレートするものです。
実験結果は、微調整されたモデルが正確性を識別する上でうまく機能することを示しています。
ただし、このモデルは、教育的目的で詳細なフィードバックを生成する際の課題に依然として課題に直面しています。
要約(オリジナル)
Online learning enhances educational accessibility, offering students the flexibility to learn anytime, anywhere. However, a key limitation is the lack of immediate, personalized feedback, particularly in helping students correct errors in math problem-solving. Several studies have investigated the applications of large language models (LLMs) in educational contexts. In this paper, we explore the capabilities of LLMs to assess students’ math problem-solving processes and provide adaptive feedback. The MathEDU dataset is introduced, comprising authentic student solutions annotated with teacher feedback. We evaluate the model’s ability to support personalized learning in two scenarios: one where the model has access to students’ prior answer histories, and another simulating a cold-start context. Experimental results show that the fine-tuned model performs well in identifying correctness. However, the model still faces challenges in generating detailed feedback for pedagogical purposes.
arxiv情報
| 著者 | Wei-Ling Hsu,Yu-Chien Tang,An-Zi Yen |
| 発行日 | 2025-05-23 15:59:39+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google