論文の概要: Experimental Evidence on Negative Impact of Generative AI on Scientific Learning Outcomes

• arxiv url: http://arxiv.org/abs/2311.05629v1
• Date: Sat, 23 Sep 2023 21:59:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 16:33:33.072194
• Title: Experimental Evidence on Negative Impact of Generative AI on Scientific Learning Outcomes
• Title（参考訳）: 科学学習成果に対する生成AIの負の影響に関する実験的エビデンス
• Authors: Qirui Ju
• Abstract要約: AIを要約に使用することで、品質と出力の両方が大幅に改善された。 読書のトピックと優れた読み書きスキルに強い背景を持つ人は、最も有益であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, I explored the impact of Generative AI on learning efficacy in academic reading materials using experimental methods. College-educated participants engaged in three cycles of reading and writing tasks. After each cycle, they responded to comprehension questions related to the material. After adjusting for background knowledge and demographic factors, complete reliance on AI for writing tasks led to a 25.1% reduction in accuracy. In contrast, AI-assisted reading resulted in a 12% decline. Interestingly, using AI for summarization significantly improved both quality and output. Accuracy exhibited notable variance in the AI-assisted section. Further analysis revealed that individuals with a robust background in the reading topic and superior reading/writing skills benefitted the most. I conclude the research by discussing educational policy implications, emphasizing the need for educators to warn students about the dangers of over-dependence on AI and provide guidance on its optimal use in educational settings.
• Abstract（参考訳）: 本研究では,実験手法を用いた学習教材の学習効果に及ぼす生成AIの影響について検討した。 大学教育を受けた参加者は、読み書きの3サイクルに携わる。 それぞれのサイクルの後、彼らは材料に関する質問に答えた。 背景知識と人口統計因子を調整した後、タスクを書くためのAIへの完全依存が25.1%の精度の低下につながった。 対照的に、AIによる読み上げは12%減少した。 興味深いことに、AIによる要約は品質と出力の両方を大幅に改善した。 精度はAI補助部位で顕著なばらつきを示した。 さらに分析したところ,読書のトピックと優れた読み書きスキルに強い背景を持つ個人が最も有益であることが判明した。 教育政策への影響を議論し、AIへの過度依存の危険性について生徒に警告することの必要性を強調し、教育環境におけるその最適利用に関するガイダンスを提供する。

関連論文リスト

• Artificial Intelligence Driven Course Generation: A Case Study Using ChatGPT [0.0]
  本研究は,ChatGPTを教材として活用することを目的としている。 主な目的は、AI駆動コース生成の効率、品質、および影響を評価することである。 この研究は、AIが教育コンテンツ制作に革命をもたらす可能性を強調している。
  論文  参考訳（メタデータ） (2024-11-02T21:59:02Z)
• Raising the Stakes: Performance Pressure Improves AI-Assisted Decision Making [57.53469908423318]
  日常の人が共通のAI支援タスクを完了すると、パフォーマンスプレッシャーがAIアドバイスへの依存に与える影響を示す。 利害関係が高い場合には、AIの説明の有無にかかわらず、利害関係が低い場合よりもAIアドバイスを適切に使用することが分かりました。
  論文  参考訳（メタデータ） (2024-10-21T22:39:52Z)
• Human Bias in the Face of AI: The Role of Human Judgement in AI Generated Text Evaluation [48.70176791365903]
  本研究では、偏見がAIと人為的コンテンツの知覚をどう形成するかを考察する。 ラベル付きおよびラベルなしコンテンツに対するヒトのラッカーの反応について検討した。
  論文  参考訳（メタデータ） (2024-09-29T04:31:45Z)
• Measuring Human Contribution in AI-Assisted Content Generation [68.03658922067487]
  本研究は,AIによるコンテンツ生成における人間の貢献度を測定する研究課題を提起する。 人間の入力とAI支援出力の自己情報に対する相互情報を計算することにより、コンテンツ生成における人間の比例情報貢献を定量化する。
  論文  参考訳（メタデータ） (2024-08-27T05:56:04Z)
• Generative AI in Education: A Study of Educators' Awareness, Sentiments, and Influencing Factors [2.217351976766501]
  本研究は,AI言語モデルに対する教員の経験と態度について考察する。 学習スタイルと生成AIに対する態度の相関は見つからない。 CS教育者は、生成するAIツールの技術的理解にはるかに自信を持っているが、AI生成された仕事を検出する能力にこれ以上自信がない。
  論文  参考訳（メタデータ） (2024-03-22T19:21:29Z)
• Generative AI in Writing Research Papers: A New Type of Algorithmic Bias and Uncertainty in Scholarly Work [0.38850145898707145]
  大規模言語モデル(LLM)と生成AIツールは、バイアスを特定し、対処する上での課題を提示している。 生成型AIツールは、不正な一般化、幻覚、レッド・チーム・プロンプトのような敵攻撃を目標とする可能性がある。 研究原稿の執筆過程に生成AIを組み込むことで,新しいタイプの文脈依存型アルゴリズムバイアスがもたらされることがわかった。
  論文  参考訳（メタデータ） (2023-12-04T04:05:04Z)
• Understanding the Effect of Counterfactual Explanations on Trust and Reliance on AI for Human-AI Collaborative Clinical Decision Making [5.381004207943597]
  本研究は,7人のセラピストと10人のレイパーを対象に,ストローク後生存者の運動の質を評価するための実験を行った。 我々は2種類のAI説明なしで、彼らのパフォーマンス、タスクの合意レベル、AIへの依存を分析した。 我々の研究は、AIモデルの精度をより正確に見積り、間違ったAI出力に対する過度な信頼を減らすために、反事実的説明の可能性について論じている。
  論文  参考訳（メタデータ） (2023-08-08T16:23:46Z)
• The Role of AI in Drug Discovery: Challenges, Opportunities, and Strategies [97.5153823429076]
  この分野でのAIのメリット、課題、欠点についてレビューする。 データ拡張、説明可能なAIの使用、従来の実験手法とAIの統合についても論じている。
  論文  参考訳（メタデータ） (2022-12-08T23:23:39Z)
• An Exploration of Post-Editing Effectiveness in Text Summarization [58.99765574294715]
  AI生成テキストの"ポスト編集"は、人間の作業量を削減し、AI出力の品質を改善する。 編集後提供した要約と,要約品質,人的効率,ユーザエクスペリエンスのマニュアル要約を比較した。 本研究は,テキスト要約にポスト編集がいつ有用かについて,貴重な知見を提示する。
  論文  参考訳（メタデータ） (2022-06-13T18:00:02Z)
• Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
  パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。 近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
  論文  参考訳（メタデータ） (2021-01-19T12:23:32Z)

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。