論文の概要: Exploring the Design Space of Cognitive Engagement Techniques with AI-Generated Code for Enhanced Learning
- arxiv url: http://arxiv.org/abs/2410.08922v1
- Date: Fri, 11 Oct 2024 15:49:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-30 21:06:06.677286
- Title: Exploring the Design Space of Cognitive Engagement Techniques with AI-Generated Code for Enhanced Learning
- Title（参考訳）: 強化学習のためのAI生成コードを用いた認知エンゲージメント手法の設計空間の探索
- Authors: Majeed Kazemitabaar, Oliver Huang, Sangho Suh, Austin Z. Henley, Tovi Grossman,
- Abstract要約: 我々は、AI生成コードとのより深いエンゲージメントを促進するための7つの認知エンゲージメント技術を開発した。
本結果は, 学習者に対して, ステップバイステップの問題解決プロセスを通じて指導する, 最も効果的な手法を強調した。
- 参考スコア（独自算出の注目度）: 14.051451035773045
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Novice programmers are increasingly relying on Large Language Models (LLMs) to generate code for learning programming concepts. However, this interaction can lead to superficial engagement, giving learners an illusion of learning and hindering skill development. To address this issue, we conducted a systematic design exploration to develop seven cognitive engagement techniques aimed at promoting deeper engagement with AI-generated code. In this paper, we describe our design process, the initial seven techniques and results from a between-subjects study (N=82). We then iteratively refined the top techniques and further evaluated them through a within-subjects study (N=42). We evaluate the friction each technique introduces, their effectiveness in helping learners apply concepts to isomorphic tasks without AI assistance, and their success in aligning learners' perceived and actual coding abilities. Ultimately, our results highlight the most effective technique: guiding learners through the step-by-step problem-solving process, where they engage in an interactive dialog with the AI, prompting what needs to be done at each stage before the corresponding code is revealed.
- Abstract（参考訳）: 初心者プログラマは、プログラミングの概念を学ぶためのコードを生成するために、Large Language Models (LLMs) に依存している。
しかし、この相互作用は表面的なエンゲージメントをもたらし、学習者に学習の錯覚を与え、スキル開発を妨げる。
この問題に対処するために,我々は,AI生成コードとのより深いエンゲージメントを促進することを目的とした,7つの認知エンゲージメント技術を開発するために,体系的な設計調査を行った。
本稿では, 設計過程, 初期7つの手法, および, 対象間実験(N=82)の結果について述べる。
その後,トップテクニックを反復的に洗練し,対象内(N=42。
我々は,各手法が導入する摩擦,学習者がAIを介さずに同型タスクに概念を適用することを支援すること,学習者の認識と実際のコーディング能力の整合化の成功を評価する。
最終的に、私たちの結果は最も効果的なテクニックを強調します。ステップバイステップの問題解決プロセスを通じて学習者を誘導し、AIと対話的な対話を行い、対応するコードが明らかにされる前に各段階で何をする必要があるかを促す。
関連論文リスト
- BloomWise: Enhancing Problem-Solving capabilities of Large Language Models using Bloom's-Taxonomy-Inspired Prompts [59.83547898874152]
我々は,Bloomの分類にインスパイアされた新しいプロンプト技術であるBloomWiseを導入し,Large Language Models(LLMs)の性能を向上させる。
より洗練された認知スキルを身につける必要性に関する決定は、LLMによる自己評価に基づいている。
4つの一般的な算数推論データセットの広範な実験において,提案手法の有効性を実証した。
論文 参考訳（メタデータ） (2024-10-05T09:27:52Z) - The why, what, and how of AI-based coding in scientific research [0.0]
生成AI、特に大きな言語モデル(LLM)は、コーディングを直感的な会話に変換する可能性がある。
私たちは3つの重要なレンズを通してAIベースのコーディングを区別します。
コーディングにおけるAIの限界と将来の展望に対処する。
論文 参考訳（メタデータ） (2024-10-03T02:36:30Z) - Integrating Cognitive AI with Generative Models for Enhanced Question Answering in Skill-based Learning [3.187381965457262]
本稿では,認知AIと生成AIを融合してこれらの課題に対処する手法を提案する。
我々は、構造化知識表現、TMK(Task-Method-Knowledge)モデルを用いて、オンライン知識ベースのAIコースで教えられたスキルをエンコードする。
論文 参考訳（メタデータ） (2024-07-28T04:21:22Z) - Responding to Generative AI Technologies with Research-through-Design: The Ryelands AI Lab as an Exploratory Study [6.028558240668647]
我々は小学校と提携して、生成的AI技術と相互作用する学生を中心とした建設学カリキュラムを開発する。
本稿では,カリキュラムと学習教材の設計とアウトプットの詳細な説明を行い,その反抗的かつ長期にわたるハンズオンのアプローチが,学生の実践的かつ重要な能力の共同開発に繋がったことを中心的に見出した。
論文 参考訳（メタデータ） (2024-05-07T21:34:10Z) - 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) - Toward enriched Cognitive Learning with XAI [44.99833362998488]
本稿では,人工知能(AI)ツールによる認知学習のためのインテリジェントシステム(CL-XAI)を提案する。
CL-XAIの使用は、学習者が問題解決スキルを高めるために問題に取り組むゲームインスパイアされた仮想ユースケースで説明される。
論文 参考訳（メタデータ） (2023-12-19T16:13:47Z) - RLIF: Interactive Imitation Learning as Reinforcement Learning [56.997263135104504]
我々は,対話型模倣学習と類似するが,さらに実践的な仮定の下で,非政治強化学習によってパフォーマンスが向上できることを実証する。
提案手法は,ユーザ介入信号を用いた強化学習を報奨として利用する。
このことは、インタラクティブな模倣学習において介入する専門家がほぼ最適であるべきだという仮定を緩和し、アルゴリズムが潜在的に最適でない人間の専門家よりも改善される行動を学ぶことを可能にする。
論文 参考訳（メタデータ） (2023-11-21T21:05:21Z) - ActiveAI: Introducing AI Literacy for Middle School Learners with
Goal-based Scenario Learning [0.0]
ActiveAIプロジェクトは、小学校7～9年生のAI教育における重要な課題に対処する。
このアプリには、スライダー、ステッパー、コレクタなど、さまざまな学習者インプットが組み込まれており、理解を深めている。
このプロジェクトは、現在実装段階にあり、アプリ開発にインテリジェントなチューター設計原則を活用している。
論文 参考訳（メタデータ） (2023-08-21T11:43:43Z) - Incremental procedural and sensorimotor learning in cognitive humanoid
robots [52.77024349608834]
本研究は,手順を段階的に学習する認知エージェントを提案する。
各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。
結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
論文 参考訳（メタデータ） (2023-04-30T22:51:31Z) - A Competence-aware Curriculum for Visual Concepts Learning via Question
Answering [95.35905804211698]
本稿では,視覚概念学習のための質問応答型カリキュラムを提案する。
視覚概念を学習するためのニューラルシンボリックな概念学習者と学習プロセスを導くための多次元項目応答理論(mIRT)モデルを設計する。
CLEVRの実験結果から,コンピテンスを意識したカリキュラムにより,提案手法は最先端のパフォーマンスを実現することが示された。
論文 参考訳（メタデータ） (2020-07-03T05:08:09Z)
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。