論文の概要: Programming Is Hard -- Or at Least It Used to Be: Educational Opportunities And Challenges of AI Code Generation

• arxiv url: http://arxiv.org/abs/2212.01020v1
• Date: Fri, 2 Dec 2022 08:14:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 16:31:31.039103
• Title: Programming Is Hard -- Or at Least It Used to Be: Educational Opportunities And Challenges of AI Code Generation
• Title（参考訳）: プログラミングは難しい -- あるいは少なくともかつては - 教育の機会とaiコード生成の課題
• Authors: Brett A. Becker and Paul Denny and James Finnie-Ansley and Andrew Luxton-Reilly and James Prather and Eddie Antonio Santos
• Abstract要約: コミュニティは、どんな機会を利用できるか、活用すべきかを素早く決める必要がある、と私たちは主張します。 私たちは、この議論をコンピューティング教育コミュニティにシードすることを目指しています。
• 参考スコア（独自算出の注目度）: 5.469931420564881
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The introductory programming sequence has been the focus of much research in computing education. The recent advent of several viable and freely-available AI-driven code generation tools present several immediate opportunities and challenges in this domain. In this position paper we argue that the community needs to act quickly in deciding what possible opportunities can and should be leveraged and how, while also working on how to overcome or otherwise mitigate the possible challenges. Assuming that the effectiveness and proliferation of these tools will continue to progress rapidly, without quick, deliberate, and concerted efforts, educators will lose advantage in helping shape what opportunities come to be, and what challenges will endure. With this paper we aim to seed this discussion within the computing education community.
• Abstract（参考訳）: 入門プログラミングシーケンスは、コンピューティング教育における多くの研究の焦点となっている。 実行可能で自由に利用できるai駆動コード生成ツールが最近登場し、この領域ですぐに得られる機会と課題がいくつかある。 このポジションペーパーでは、コミュニティは、どのような機会を利用できるか、どのように活用すべきかを素早く決定し、また、どのように克服するか、その他の課題を緩和するかを議論する。 これらのツールの有効性と普及が、迅速で意図的で協調的な努力を伴わずに、急速に進展し続けると仮定すると、教育者は、どのような機会が生まれるか、どんな課題が耐えられるか、という利点を失うだろう。 本稿では,この議論をコンピューティング教育コミュニティに展開することを目的とする。

関連論文リスト

• ChatGPT in Classrooms: Transforming Challenges into Opportunities in Education [0.14732811715354452]
  私たちはこの教育フロンティアの瀬戸際に立っており、多くの注意を払ってこの地形をナビゲートする必要があることは明らかです。 不適切に使用すると、AIツールはコピーペースト精神をカットするための完璧なツールになる。 この研究は、将来の研究者が自身のデータを適用し、運用するためのプロセスマニュアルとして使用される。
  論文  参考訳（メタデータ） (2024-05-17T09:17:59Z)
• On the Challenges and Opportunities in Generative AI [135.2754367149689]
  現在の大規模生成AIモデルは、ドメイン間で広く採用されるのを妨げるいくつかの基本的な問題に十分対応していない、と我々は主張する。 本研究は、現代の生成型AIパラダイムにおける重要な未解決課題を特定し、その能力、汎用性、信頼性をさらに向上するために取り組まなければならない。
  論文  参考訳（メタデータ） (2024-02-28T15:19:33Z)
• Bringing Generative AI to Adaptive Learning in Education [58.690250000579496]
  我々は、生成AIと適応学習の交差研究に光を当てた。 我々は、この連合が教育における次の段階の学習形式の発展に大きく貢献するだろうと論じている。
  論文  参考訳（メタデータ） (2024-02-02T23:54:51Z)
• Integrating Generative AI in Hackathons: Opportunities, Challenges, and Educational Implications [0.24739484546803336]
  ハッカソンはソフトウェア産業において重要なプラットフォームとして登場し、組織や学生のイノベーションとスキル開発を推進してきた。 人工知能(AI)と機械学習の融合により、ハッカソンが作り直され、学習機会が強化され、倫理的課題も導入されている。 本研究は, アイオワ大学ハッカソン校の事例研究を中心に, 生成AIが学生の技術的選択に与える影響を考察する。
  論文  参考訳（メタデータ） (2024-01-30T20:45:49Z)
• Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• Are machine learning technologies ready to be used for humanitarian work and development? [2.156882891331917]
  機械学習(ML)や人工知能(AI)といったデジタルデータソースやツールは、開発に関するデータに革命をもたらす可能性がある。 われわれは、新しいテクノロジーが望まれる目標に届かず、最悪の場合不平等を高め、差別を増幅し、人権を侵害するリスクがあると主張している。
  論文  参考訳（メタデータ） (2023-07-04T19:32:35Z)
• Machine Learning in Finance-Emerging Trends and Challenges [1.2891210250935146]
  機械学習と人工知能のパラダイムが私たちの日常生活に浸透し、もはや神秘的な学者や科学者の領域ではない。 処理速度の指数的な成長により、組織はビジネス価値をはるかに上回るソリューションを実現するために、膨大な量のデータを活用することが可能になった。 この入門章では、マシンラーニングと人工知能ベースのモデルとアプリケーションを日々の運用で採用する上で、金融サービスセクターの組織が直面している課題と障壁を取り上げている。
  論文  参考訳（メタデータ） (2021-10-08T09:14:06Z)
• MURAL: Meta-Learning Uncertainty-Aware Rewards for Outcome-Driven Reinforcement Learning [65.52675802289775]
  本研究では,不確かさを意識した分類器が,強化学習の難しさを解消できることを示す。 正規化最大度(NML)分布の計算法を提案する。 得られたアルゴリズムは、カウントベースの探索法と、報酬関数を学習するための先行アルゴリズムの両方に多くの興味深い関係を持つことを示す。
  論文  参考訳（メタデータ） (2021-07-15T08:19:57Z)
• Offline Reinforcement Learning: Tutorial, Review, and Perspectives on Open Problems [108.81683598693539]
  オフラインの強化学習アルゴリズムは、巨大なデータセットを強力な意思決定エンジンにできるという、大きな約束を持っています。 我々は,これらの課題,特に近代的な深層強化学習手法の文脈において,読者にこれらの課題を理解することを目的としている。
  論文  参考訳（メタデータ） (2020-05-04T17:00:15Z)
• Curriculum Learning for Reinforcement Learning Domains: A Framework and Survey [53.73359052511171]
  強化学習(Reinforcement Learning, RL)は、エージェントが限られた環境フィードバックしか持たないシーケンシャルな意思決定タスクに対処するための一般的なパラダイムである。 本稿では、RLにおけるカリキュラム学習(CL)の枠組みを提案し、既存のCLメソッドを仮定、能力、目標の観点から調査・分類する。
  論文  参考訳（メタデータ） (2020-03-10T20:41:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。