ICAPフレームワークに基づく学習活動の調整による認知 Engagement について：知能的なタughteringシステム

ある多くの知能的なタughteringシステム（ITS）では、個人によって最適な認知 Engagement のレベルに向けた学習活動の定型化の課題が解消されていないとされています。この研究では、 ICAP フレームワークに基づく四つの認知 Engagement の水準： Passive, Active, Constructive, และ Interactive を定義します。その上で各水準への認知 Engagement 程度の改善によって学習成績にも影響を与えるという前提のもとで、我々は動的ワークエクサルトの選択を Dynamic Mode において（active）ガイドされた例題と （constructive） サイコロックスレズであるバグの例題に分割して取り組みました。この研究では、BKT(Bayesian Knowledge Tracing)とDRL(Deep Reinforcement Learning)という adaptivity のアプローチと 非adaptivity のベースライン アラ関係で異なる ICAP Mode: 各の選択された例題を試みる実験を行いました。 113人の生徒に対する実験により、両方の適応性の政策がテスト問題での成績に显著な改善を与えることを示しています。BKT(Bayesian Knowledge Tracing)は低知識水準学生の後の試験分数に著しく大きな改善をもたらし、バッジーズの例題を利用して遅れた学習に取りつかせる一方で、DRL(Deep Reinforcement Learning)は高知徴力者向けの高いテスト成績を提供しました。この研究は、認知 Engagement と adaptivity の関係に関する複雑かつ重要な相互作用と、その結果として生成される学習アウトカムに対する理解を促進することに貢献します。

arXiv:2602.07308v1 Announce Type: new Abstract: The ICAP framework defines four cognitive engagement levels: Passive, Active, Constructive, and Interactive, where increased cognitive engagement can yield improved learning. However, personalizing learning activities that elicit the optimal level of cognitive engagement remains a key challenge in intelligent tutoring systems (ITS). In this work, we develop and evaluate a system that adaptively scaffolds cognitive engagement by dynamically selecting worked examples in two different ICAP modes: (active) Guided examples and (constructive) Buggy examples. We compare Bayesian Knowledge Tracing (BKT) and Deep Reinforcement Learning (DRL) as adaptive methods against a non-adaptive baseline method for selecting example type in a logic ITS. Our experiment with 113 students demonstrates that both adaptive policies significantly improved student performance on test problems. BKT yielded the largest improvement in posttest scores for low prior knowledge students, helping them catch up with their high prior knowledge peers, whereas DRL yielded significantly higher posttest scores among high prior knowledge students. This paper contributes new insights into the complex interactions of cognitive engagement and adaptivity and their results on learning outcomes.