論文の概要: Computing Education in the Era of Generative AI

• arxiv url: http://arxiv.org/abs/2306.02608v1
• Date: Mon, 5 Jun 2023 05:43:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-06 16:37:53.584044
• Title: Computing Education in the Era of Generative AI
• Title（参考訳）: 生成型ai時代のコンピュータ教育
• Authors: Paul Denny and James Prather and Brett A. Becker and James Finnie-Ansley and Arto Hellas and Juho Leinonen and Andrew Luxton-Reilly and Brent N. Reeves and Eddie Antonio Santos and Sami Sarsa
• Abstract要約: 人工知能の最近の進歩により、自然言語の問題記述からソースコードを生成するコード生成モデルが生まれている。 我々は、そのようなモデルがコンピュータ教育者にもたらす課題と機会について論じる。 このようなモデルが教育的実践に与える影響を、執筆当時の最新の進歩の文脈で検討する。
• 参考スコア（独自算出の注目度）: 6.058132379003054
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The computing education community has a rich history of pedagogical innovation designed to support students in introductory courses, and to support teachers in facilitating student learning. Very recent advances in artificial intelligence have resulted in code generation models that can produce source code from natural language problem descriptions -- with impressive accuracy in many cases. The wide availability of these models and their ease of use has raised concerns about potential impacts on many aspects of society, including the future of computing education. In this paper, we discuss the challenges and opportunities such models present to computing educators, with a focus on introductory programming classrooms. We summarize the results of two recent articles, the first evaluating the performance of code generation models on typical introductory-level programming problems, and the second exploring the quality and novelty of learning resources generated by these models. We consider likely impacts of such models upon pedagogical practice in the context of the most recent advances at the time of writing.
• Abstract（参考訳）: コンピューティング教育コミュニティは、導入コースの学生を支援するためにデザインされた教育革新の豊かな歴史を持ち、学生の学習を促進する教師を支援している。 最近の人工知能の進歩により、自然言語の問題記述からソースコードを生成できるコード生成モデルが生まれました。 これらのモデルの広範な利用と使いやすさは、コンピューティング教育の将来を含む社会の多くの側面に潜在的な影響を懸念している。 本稿では,このようなモデルがコンピュータ教育者に与える課題と機会について論じ,導入プログラミング教室に焦点をあてる。 本稿では,2つの最近の論文の結果を要約する。まず,典型的な入門レベルのプログラミング問題に対するコード生成モデルの性能評価を行い,次に,これらのモデルによって生成された学習資源の品質と新規性について考察する。 このようなモデルが、執筆時の最新の進歩の文脈において、教育実践に与える影響を考える。

関連論文リスト

• Deep Generative Models in Robotics: A Survey on Learning from Multimodal Demonstrations [52.11801730860999]
  近年、ロボット学習コミュニティは、大規模なデータセットの複雑さを捉えるために、深層生成モデルを使うことへの関心が高まっている。 本稿では,エネルギーベースモデル,拡散モデル,アクションバリューマップ,生成的敵ネットワークなど,コミュニティが探求してきたさまざまなモデルについて述べる。 また,情報生成から軌道生成,コスト学習に至るまで,深層生成モデルを用いた様々なアプリケーションについて述べる。
  論文  参考訳（メタデータ） (2024-08-08T11:34:31Z)
• A review on the use of large language models as virtual tutors [5.014059576916173]
  大規模言語モデル (LLMs) は、いくつかの分野や産業で大きな話題を呼んだ。 本総説では,教育資料の生成・評価に特化して設計されたソリューションの概要を概観する。 予想通り、これらのシステムの最も一般的な役割は、自動質問生成のための仮想チューターである。
  論文  参考訳（メタデータ） (2024-05-20T12:33:42Z)
• Generative Artificial Intelligence: A Systematic Review and Applications [7.729155237285151]
  本稿では、ジェネレーティブAIにおける最近の進歩と技術に関する体系的なレビューと分析について述べる。 生成AIがこれまで行った大きな影響は、大きな言語モデルの開発による言語生成である。 論文は、責任あるAIの原則と、これらの生成モデルの持続可能性と成長に必要な倫理的考察から締めくくられる。
  論文  参考訳（メタデータ） (2024-05-17T18:03:59Z)
• 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)
• INSTRUCTEVAL: Towards Holistic Evaluation of Instruction-Tuned Large Language Models [39.46610170563634]
  INSTRUCTEVALは、命令調整された大規模言語モデルのために特別に設計された、より包括的な評価スイートである。 我々は,事前学習の基礎,指導指導データ,訓練方法など,モデル性能に影響を与える諸要因を総合的に分析する。 その結果, モデル性能のスケーリングにおいて, 命令データの品質が最も重要な要因であることが判明した。
  論文  参考訳（メタデータ） (2023-06-07T20:12:29Z)
• Opportunities and Challenges in Neural Dialog Tutoring [54.07241332881601]
  言語学習のための2つの対話学習データセットを用いて、様々な生成言語モデルを厳密に分析する。 現在のアプローチでは、制約のある学習シナリオでチューリングをモデル化できますが、制約の少ないシナリオではパフォーマンスが悪くなります。 人的品質評価では, モデルと接地木アノテーションの両方が, 同等のチュータリングの点で低い性能を示した。
  論文  参考訳（メタデータ） (2023-01-24T11:00:17Z)
• A Survey of Deep Learning for Mathematical Reasoning [71.88150173381153]
  我々は過去10年間の数学的推論とディープラーニングの交差点における重要なタスク、データセット、方法についてレビューする。 大規模ニューラルネットワークモデルの最近の進歩は、新しいベンチマークと、数学的推論にディープラーニングを使用する機会を開放している。
  論文  参考訳（メタデータ） (2022-12-20T18:46:16Z)
• Deep Active Learning for Computer Vision: Past and Future [50.19394935978135]
  AIモデルの開発に欠かせない役割にもかかわらず、アクティブラーニングの研究は他の研究の方向性ほど集中的ではない。 データ自動化の課題に対処し、自動化された機械学習システムに対処することによって、アクティブな学習はAI技術の民主化を促進する。
  論文  参考訳（メタデータ） (2022-11-27T13:07:14Z)
• Learnware: Small Models Do Big [69.88234743773113]
  自然言語処理やコンピュータビジョンの応用で目覚ましい成果を上げてきた、一般的なビッグモデルパラダイムは、これらの問題にまだ対応していないが、炭素排出量の深刻な源となっている。 この記事では、マシンラーニングモデルをスクラッチから構築する必要がないようにするための学習ソフトウェアパラダイムの概要を紹介します。
  論文  参考訳（メタデータ） (2022-10-07T15:55:52Z)
• Automatic Generation of Programming Exercises and Code Explanations with Large Language Models [4.947560475228859]
  OpenAI Codexは、GPT-3ファミリーの最近の大規模言語モデルで、コードを自然言語に翻訳する。 プログラミング演習の2つの段階において,Codexの自然言語生成能力について検討する。 自動生成されるコンテンツの大部分は、新しいものでも、理にかなったものでも、多くの場合、そのまま使えるものなのです。
  論文  参考訳（メタデータ） (2022-06-03T11:00:43Z)

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。