AI強化学習におけるパーソナライズ指導のための大型言語モデルのベンチマーク評価

大型言語モデル（LLM）はパーソナライズされた学習のための知的アシスタントとして期待が高まっていますが、実際の学習シナリオにおける体系的な直接比較評価は依然として限られています。本研究では、現実的な学習環境を模擬した指導タスクにおいて、3つの最先端LLMの実証的比較を実施しました。正解ラベル付きの混合形式の10問の生徒の回答データセットを用いて、各LLMに対し、(i)クイズを分析して基礎となる知識構成要素を特定し、(ii)生徒の習熟度プロフィールを推定し、(iii)改善のためのターゲットを絞った指導を生成することを求めました。主観性や評価者のバイアスを軽減するために、Geminiを仮想審査官として採用し、正確性、明瞭性、実行可能性、適切性の各観点でペアワイズ比較を行いました。Bradley-Terryモデルによる分析の結果、GPT-4oが一般的に好まれ、より情報量が多く構造化されたフィードバックを生成する一方で、DeepSeek-V3とGLM-4.5は断続的な強みを示すものの一貫性は低いことが示されました。これらの知見は、LLMを個別支援のための高度な教育アシスタントとして展開する可能性を示すとともに、LLM駆動のパーソナライズ学習に関する今後の実証研究に対する方法論的指針を提供します。