SLOW：認知適応のためのAIチュータリングにおける戦略的論理推論オープン・ワークスペース

要旨: 大規模言語モデル（LLM）は教育的な対話において顕著な流暢さを示しているものの、ほとんどの生成型チュータは主として直感的な単一パス生成によって動作しています。この「素早い思考」への依存は、専用の推論ワークスペースを許さず、複数の診断的および戦略的シグナルが、混ぜ合わせられた形で処理されざるを得ません。その結果、学習者の認知診断、情動（感情）認知、そして教育的意思決定が強く絡み合い、指導システムが意図的に指導内容を適応させる能力が制限されます。私たちは、透明な意思決定ワークスペース内で学習者状態の熟慮的な推論を支援する、理論に基づくチュータリング枠組みSLOWを提案します。人間のチュータリングに関する二重過程モデルに着想を得て、SLOWは学習者状態の推定と、指導アクションの選択を明示的に切り分けます。枠組みは、学習者の言語から因果的な証拠の解析を統合し、反事実の安定性分析を伴う曖昧な認知診断を行い、さらに、指導上の選択が学習者の感情の推移にどのように影響しうるかを見通すための展望的な情動推論を取り込みます。これらのシグナルを共同で考慮し、教育的かつ情動的に整合したチュータリング戦略を導きます。人間-AIのハイブリッドな判断による評価では、パーソナライズ、感情への感度、および明確さにおいて有意な改善が示されました。アブレーション研究はさらに、各モジュールの必要性を裏付け、可視化された意思決定プロセスによって、SLOWが解釈可能で信頼できる知能的チュータリングを可能にすることを示しています。本研究は、LLMベースの適応的な指導における解釈可能性と教育的妥当性を前進させます。