論文の概要: Learner and Instructor Needs in AI-Supported Programming Learning Tools: Design Implications for Features and Adaptive Control

• arxiv url: http://arxiv.org/abs/2503.00144v1
• Date: Fri, 28 Feb 2025 19:50:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:25:33.527442
• Title: Learner and Instructor Needs in AI-Supported Programming Learning Tools: Design Implications for Features and Adaptive Control
• Title（参考訳）: AIによるプログラミング学習ツールにおける学習者とインストラクタの必要性: 特徴に対する設計の意味と適応制御
• Authors: Zihan Wu, Yicheng Tang, Barbara Ericson,
• Abstract要約: 我々は15人の大学生と10人のインストラクターとともに参加型デザイン研究を行い、希望するヘルプ機能やコントロールの好みについての洞察を得た。 以上の結果から,学習者は,視覚的援助を取り入れ,ピア関連の洞察を取り入れた支援を好んでいることが示唆された。 我々の研究は、自律性とガイダンスを効果的にバランスさせるシステムの開発を通知することで、AI支援学習環境の人間中心の設計に寄与する。
• 参考スコア（独自算出の注目度）: 0.5524892698654027
• License:
• Abstract: AI-supported tools can help learners overcome challenges in programming education by providing adaptive assistance. However, existing research often focuses on individual tools rather than deriving broader design recommendations. A key challenge in designing these systems is balancing learner control with system-driven guidance. To explore user preferences for AI-supported programming learning tools, we conducted a participatory design study with 15 undergraduate novice programmers and 10 instructors to gather insights on their desired help features and control preferences, as well as a follow-up survey with 172 introductory programming students. Our qualitative findings show that learners prefer help that is encouraging, incorporates visual aids, and includes peer-related insights, whereas instructors prioritize scaffolding that reflects learners' progress and reinforces best practices. Both groups favor shared control, though learners generally prefer more autonomy, while instructors lean toward greater system guidance to prevent cognitive overload. Additionally, our interviews revealed individual differences in control preferences. Based on our findings, we propose design guidelines for AI-supported programming tools, particularly regarding user-centered help features and adaptive control mechanisms. Our work contributes to the human-centered design of AI-supported learning environments by informing the development of systems that effectively balance autonomy and guidance, enhancing AI-supported educational tools for programming and beyond.
• Abstract（参考訳）: AIをサポートするツールは、学習者が適応的な支援を提供することで、プログラミング教育の課題を克服するのに役立つ。 しかし、既存の研究はしばしばより広範な設計勧告を導き出すのではなく、個々のツールに焦点を当てている。 これらのシステムを設計する上で重要な課題は、学習者制御とシステム駆動誘導のバランスをとることである。 AI支援型プログラミング学習ツールのユーザ嗜好を探るため,15人の初心者プログラマと10人のインストラクターによる参加型デザインスタディを行い,希望するヘルプ機能やコントロール選好に関する洞察と,172人の入門プログラミング学生によるフォローアップ調査を行った。 質的な結果から,学習者は,学習者の進歩を反映し,ベストプラクティスを補強する足場を優先するのに対し,視覚的援助を取り入れ,ピア関連の洞察を取り入れた支援を優先することが明らかとなった。 どちらのグループも共有制御を好むが、学習者は一般的により自律性を好むが、インストラクターは認知過剰を防ぐためにより大きなシステムガイダンスに傾いている。 さらに,対照選好の個人差も明らかにした。 本稿では,AI支援プログラミングツールの設計ガイドライン,特にユーザ中心のヘルプ機能と適応制御機構について提案する。 我々の研究は、自律性とガイダンスを効果的にバランスさせるシステムの開発、AIが支援するプログラミングなどの教育ツールの強化など、AI支援学習環境の人間中心の設計に寄与する。

関連論文リスト

• LLM-powered Multi-agent Framework for Goal-oriented Learning in Intelligent Tutoring System [54.71619734800526]
  GenMentorは、ITS内で目標指向でパーソナライズされた学習を提供するために設計されたマルチエージェントフレームワークである。 学習者の目標を、カスタムのゴール・トゥ・スキルデータセットでトレーニングされた微調整LDMを使用して、必要なスキルにマッピングする。 GenMentorは、個々の学習者のニーズに合わせて探索・描画・統合機構で学習内容を調整する。
  論文  参考訳（メタデータ） (2025-01-27T03:29:44Z)
• Intelligent Tutors for Adult Learners: An Analysis of Needs and Challenges [0.4916390772672078]
  本研究は,自己指導型学習環境における知的学習システムの導入と利用に影響を与える社会技術的要因について考察する。 本稿では,成人学習者の独特なニーズに対処するために設計された,知的学習システムであるApprentice Tutorsを紹介する。
  論文  参考訳（メタデータ） (2024-11-19T19:05:04Z)
• Personalised Feedback Framework for Online Education Programmes Using Generative AI [0.0]
  本稿では,埋め込みを組み込むことでChatGPTの機能を拡張したフィードバックフレームワークを提案する。 本研究の一環として,オープンエンドおよび複数選択質問に対する有効率90%と100%を達成できる概念解の証明を提案し,開発した。
  論文  参考訳（メタデータ） (2024-10-14T22:35:40Z)
• Towards Educator-Driven Tutor Authoring: Generative AI Approaches for Creating Intelligent Tutor Interfaces [0.31873871499564926]
  我々は、教師インターフェイス作成において、教育者を支援するための生成AI機能を導入する。 提案手法では,Large Language Models (LLM) を利用して,チューターのレイアウトと内容を生成する。 小規模比較では,教師インタフェース設計の効率を高めるためのアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2024-05-23T15:46:10Z)
• Desirable Characteristics for AI Teaching Assistants in Programming Education [2.9131215715703385]
  デジタル教育アシスタントは、即時かつ公平なラウンド・ザ・クロックのサポートを提供する、魅力的でスケーラブルな方法として登場した。 この結果から,学生はこのようなツールを,即時かつ活発な支援を提供する能力に重きを置いていることが明らかとなった。 彼らはまた、学習ジャーニーにおける自律性を維持する機能への強い好意を表明した。
  論文  参考訳（メタデータ） (2024-05-23T05:03:49Z)
• Charting a Path to Efficient Onboarding: The Role of Software Visualization [49.1574468325115]
  本研究は,ソフトウェアビジュアライゼーションツールを用いたマネージャ,リーダ,開発者の親しみやすさを探求することを目的としている。 本手法は, 質問紙調査と半構造化面接を用いて, 実践者から収集したデータの量的, 質的分析を取り入れた。
  論文  参考訳（メタデータ） (2024-01-17T21:30:45Z)
• Artificial Intelligence-Enabled Intelligent Assistant for Personalized and Adaptive Learning in Higher Education [0.2812395851874055]
  本稿では,AIIA(Artificial Intelligence-Enabled Intelligent Assistant)という,高等教育におけるパーソナライズおよび適応学習のための新しいフレームワークを提案する。 AIIAシステムは、高度なAIと自然言語処理(NLP)技術を活用して、対話的で魅力的な学習プラットフォームを構築する。
  論文  参考訳（メタデータ） (2023-09-19T19:31:15Z)
• Empowering Private Tutoring by Chaining Large Language Models [87.76985829144834]
  本研究は,最先端の大規模言語モデル(LLM)を活用した,本格的な知的チューリングシステムの開発を探求する。 このシステムは、相互に接続された3つのコアプロセス(相互作用、反射、反応)に分けられる。 各プロセスは LLM ベースのツールと動的に更新されたメモリモジュールによって実装される。
  論文  参考訳（メタデータ） (2023-09-15T02:42:03Z)
• Learning Action Conditions from Instructional Manuals for Instruction Understanding [48.52663250368341]
  本稿では,行動条件推論というタスクを提案し,命令マニュアルにおける行動条件の事前条件と後条件の高品質なアノテートデータセットを収集する。 本稿では,オンライン指導マニュアルから大規模トレーニングインスタンスを自動構築する弱い教師付きアプローチを提案し,人間に注釈を付けて検証したデータセットをキュレートし,現在のNLPモデルが命令テキストの動作条件依存性をいかに推測できるかを検証した。
  論文  参考訳（メタデータ） (2022-05-25T00:19:59Z)
• Teachable Reinforcement Learning via Advice Distillation [161.43457947665073]
  外部教師が提供した構造化アドバイスから学習する「教育可能な」意思決定システムに基づく対話型学習のための新しい指導パラダイムを提案する。 我々は、アドバイスから学ぶエージェントが、標準的な強化学習アルゴリズムよりも人的監督力の少ない新しいスキルを習得できることを示す。
  論文  参考訳（メタデータ） (2022-03-19T03:22:57Z)
• Self-directed Machine Learning [86.3709575146414]
  教育科学において、自己指導型学習は受動的教師指導型学習よりも効果的であることが示されている。 本稿では,自己指向機械学習(SDML)の基本概念を紹介し,SDMLのためのフレームワークを提案する。 提案したSDMLプロセスは,自己タスク選択,自己データ選択,自己モデル選択,自己最適化戦略選択,自己評価基準選択の恩恵を受ける。
  論文  参考訳（メタデータ） (2022-01-04T18:32:06Z)

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。