[論文レビュー] Offline-First Large Language Model Architecture for AI-Assisted Learning with Adaptive Response Levels in Low-Connectivity Environments

Joseph Walusimbi, Ann Move Oguti+2 more|arXiv (Cornell University)|Feb 14, 2026

AI in Service Interactions被引用数 0

ひとこと要約

論文は、低スペック機器でローカル推論を実行するオフライン優先のLLMアーキテクチャを提示し、低接続環境でのAI支援学習のために適応的応答レベルを提供します。

ABSTRACT

Artificial intelligence (AI) and large language models (LLMs) are transforming educational technology by enabling conversational tutoring, personalized explanations, and inquiry-driven learning. However, most AI-based learning systems rely on continuous internet connectivity and cloud-based computation, limiting their use in bandwidth-constrained environments. This paper presents an offline-first large language model architecture designed for AI-assisted learning in low-connectivity settings. The system performs all inference locally using quantized language models and incorporates hardware-aware model selection to enable deployment on low-specification CPU-only devices. By removing dependence on cloud infrastructure, the system provides curriculum-aligned explanations and structured academic support through natural-language interaction. To support learners at different educational stages, the system includes adaptive response levels that generate explanations at varying levels of complexity: Simple English, Lower Secondary, Upper Secondary, and Technical. This allows explanations to be adjusted to student ability, improving clarity and understanding of academic concepts. The system was deployed in selected secondary and tertiary institutions under limited-connectivity conditions and evaluated across technical performance, usability, perceived response quality, and educational impact. Results show stable operation on legacy hardware, acceptable response times, and positive user perceptions regarding support for self-directed learning. These findings demonstrate the feasibility of offline large language model deployment for AI-assisted education in low-connectivity environments.

研究の動機と目的

• 帯域幅制約のある環境でクラウドベースのAIが実用的でない場合のAI支援学習を動機づける。
• CPUのみハードウェア上で量子化言語モデルを用いたオフライン優先推論アーキテクチャを提案する。
• 学習者の能力に合わせた適応的応答レベルでカリキュラム対応の説明を可能にする。
• 制限された接続条件下での性能、使いやすさ、教育 impact を評価する。

提案手法

• クラウド依存を排除するために局所推論量子化言語モデルを使用する。
• 低スペック機器でのデプロイを想定したハードウェア認識モデル選択を組み込む。
• Simple English、Lower Secondary、Upper Secondary、Technical レベルに合わせた説明を提供する適応的応答レベルを提供する。
• 自然言語対話によるカリキュラム対応の説明を提供する。
• 現実世界の設定で技術性能、使いやすさ、認識される応答品質、教育的影響を評価する。

実験結果

リサーチクエスチョン

• RQ1 オフライン優先LLMアーキテクチャは低接続環境でレガシーなハードウェア上で安定した推論と許容可能な待機時間を提供できるか。
• RQ2 適応的応答レベルは異なる教育段階で明確さと理解を向上させるか。
• RQ3 制限された接続下でのオフラインLLM配備が中等・高等教育の自立学習に与える影響は何か。

主な発見

• システムはクラウドアクセスなしのレガシーなハードウェア上で安定して動作する。
• 接続制限下でも教育用途に適した応答時間である。
• ユーザーは自立学習を支援するシステムと認識する。
• 低接続環境でのAI支援教育のためのオフラインLLM配備の実現可能性を示す。