<< TOPへ
EduAgent: Generative Student Agents in Learning
・学生の学習行動をモデル化し、現実的なシミュレーションを実現するEduAgentの実現、2024年。
・学生のペルソナ情報と過去の学習行動データを入力として与えると、その学生が次のスライドでどのエリアに注視するか、マウスをどのように動かすか、どの認知状態になるか、そしてポストテストでどの回答を選ぶかを予測してくれる
・教育者の教育支援よね。AIに人間をトレーニングしてもらう感じで、なんつーか、いろいろ考える。
・具体的には以下
### インプット
1. **学生のペルソナ情報**:
- 学習態度、試験成績、集中度、好奇心、コースへの関心、事前知識、従順度、賢さ、家庭環境などの特性。
- 年齢、専攻、教育レベルなどのデモグラフィック情報。
1. **過去の学習行動データ**:
- 視線行動: スライド上の注視点や視線の動き。
- マウス操作: マウスの移動パターンやクリック動作。
- 認知状態: 作業負荷、好奇心、集中度、コースフォロー、エンゲージメント、混乱度。
1. **講義内容**:
- スライドごとのテキストや図、グラフなどの学習素材。
- 各スライドに対応する講義のトランスクリプト。
1. **ポストテストの質問と回答**:
- 学習後の理解度を測定するためのテスト質問とその選択肢。
### アウトプット
1. **予測される学習行動**:
- 視線行動: 学生が注視するスライド上の特定のエリア（AOI）。
- マウス操作: 学生がマウスを動かすパターンやクリック動作の予測。
1. **認知状態の予測**:
- 作業負荷、好奇心、集中度、コースフォロー、エンゲージメント、混乱度などの認知状態のレベル。
1. **ポストテストの回答予測**:
- 学生がテスト質問に対して選択する回答の予測。
### 実際のデータフロー
1. **インプットの準備**:
- 学生のペルソナ情報や過去の学習行動データを前処理し、ニューラルネットワークに適した形式に変換。
- 学習素材やポストテストの質問も同様に前処理。
1. **NNへの入力**:
- 前処理したデータをNNに入力し、モデルが学生の学習行動や認知状態を予測・シミュレーション。
1. **アウトプットの生成**:
- NNは、与えられたインプットに基づいて予測される学習行動や認知状態、ポストテストの回答を出力。
1. **結果の利用**:
- 予測された学習行動や認知状態、テスト回答を用いて、教育者は適切なフィードバックや支援を提供。
- シミュレーション結果を基に、教育方法や教材の改善を図ることができる。