PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.13399v1cs.AI

RegulaTutor: 장기 개인화 학습을 위한 이론 기반 프레임워크

RegulaTutor: A Theory-Informed Framework for Long-Term Personalized Learning

장기적인 개인화 튜터링은 언어 모델이 학습자의 점진적으로 변화하는 이력을 적절한 교수 지원으로 전환할 것을 요구합니다. 기존 대규모 언어 모델(LLM) 기반 튜터링 시스템은 기억(memory)과 검색을 활용하여 응답을 개인화하지만, 과거 이력의 근거와 교수 전략을 연결하는 교육학적 이론적 근거가 항상 명확한 것은 아닙니다. 본 논문에서는 과거 이력 근거, 학습자 해석, 학습자 대면 교수법을 연결하는 장기 개인화 튜터링을 위한 이론 기반 프레임워크인 RegulaTutor를 소개합니다. 자기조절학습(SRL) 연구에 기반한 이 튜터링 하네스는 근거 기반 학습자 해석 및 교수 정책을 도출하기 위해 인지적, 정서적, 상위인지적, 동기적(CAMM) 프레임워크를 작동시킵니다. 이를 통해 도출된 정책은 이를 뒷받침하는 근거와의 연결을 유지하며 새로운 관찰 데이터가 유입됨에 따라 업데이트됩니다. 이러한 단계별 워크플로는 중간 실행 기록을 사용하여 하네스 실패, 모델(model) 실패, 복합 실패를 구분하는 오프라인 절차인 PairRoute를 통한 체계적인 개선도 지원합니다. PairRoute는 목표 지향적인 하네스 수정을 제안하고 평가한 뒤, 선택된 하네스 하에서 여전히 남아 있는 확인된 모델 실패에 대해 검토된 단계별 지도(supervision) 데이터를 구축합니다. 본 연구는 개인화 교수를 뒷받침하고 출력을 학습 기록 및 참조 답변과 대조해 확인할 수 있도록 하는 과거 이력 근거 획득에 이러한 개선의 초점을 맞춥니다. RegulaTutor는 평가된 모델 구성 전반에서 평균적으로 과거 이력 근거 정확도, 학습자 진단, 평가된 교수 품질을 향상시킵니다. PairRoute 결과는 개선 궤적 전반에 걸쳐 단독 모델의 과거 이력 근거 정확도에서 최종 지점 개선을 보여줍니다. 종합적으로 이러한 결과는 학습자 이력에 맞춰 진화하는 교수 정책과 튜터링 시스템에 대한 표적 개선을 통해 평생 개인화 교육을 지원할 수 있는 RegulaTutor의 잠재력을 강조합니다.

arXiv:2606.29049v1cs.LG

MOSAIC: 계층적 의미 정렬을 통한 협력적 지식 추적 오케스트레이션

MOSAIC: Orchestrating Collaborative Knowledge Tracing with Hierarchical Semantic Alignment

지식 추적(Knowledge Tracing, KT)은 개인화 교육에 있어 중요하지만, 전통적으로 두 가지 핵심적인 한계를 지니고 있다: 의미적 깊이를 무시하는 얕은 ID 기반 표현에 대한 의존성과, 계층적 지식 의존성을 간과하는 단일 세분성 숙달도 추정에 대한 제약이 그것이다. 이러한 문제를 해결하기 위해, 우리는 순차 모델링과 대규모 언어 모델(LLM) 기반 의미 정렬을 오케스트레이션하는 새로운 프레임워크인 MOSAIC(Multi-granularity Online Semantic AI for Collaborative Knowledge)을 제안한다. LLM을 단순히 예측기로만 활용하는 방법들과 달리, MOSAIC은 동결된 LLM을 활용하여 동적이고 맥락 인식적인 임베딩과 계층적 예측 프롬프트를 생성함으로써 협력 신호와 동료 간 상호작용을 명시적으로 포착한다. 나아가, 개념, 주제 클러스터, 전체 숙련도 수준에 걸쳐 숙달도 추정을 공동으로 정규화하는 교차 세분성 일관성 목적 함수를 도입한다. ASSISTments, EdNet, 그리고 새롭게 수집한 대규모 MOOC 데이터셋에 대한 광범위한 실험을 통해 MOSAIC이 새로운 최고 성능(state-of-the-art)을 달성함을 입증한다. 구체적으로, 우리의 방법은 모든 벤치마크에 걸쳐 AUC 최대 3.4%, 정확도 최대 2.5% 향상을 달성한다. 특히 MOSAIC은 협력이 풍부한 환경과 장시퀀스 시나리오에서 우수한 견고성을 보이며(MOOC에서 AUC 0.862), 높은 예측 정밀도와 의미론적으로 근거 있는 해석 가능성을 함께 제공한다.