論文の概要: How Students Use AI Feedback Matters: Experimental Evidence on Physics Achievement and Autonomy
- arxiv url: http://arxiv.org/abs/2505.08672v1
- Date: Tue, 13 May 2025 15:32:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-14 20:57:54.646152
- Title: How Students Use AI Feedback Matters: Experimental Evidence on Physics Achievement and Autonomy
- Title（参考訳）: 学生がAIのフィードバックをどう使うか:物理の達成と自律性に関する実験的証拠
- Authors: Xusheng Dai, Zhaochun Wen, Jianxiao Jiang, Huiqin Liu, Yu Zhang,
- Abstract要約: 本研究は, GAIを用いた個人化されたフィードバックが高校生の物理学的達成と自律性に及ぼす影響について検討した。
実験にはランダム化された2つのテストが含まれ、使用パターンに重点が置かれた。
- 参考スコア（独自算出の注目度）: 2.889874897410346
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite the precision and adaptiveness of generative AI (GAI)-powered feedback provided to students, existing practice and literature might ignore how usage patterns impact student learning. This study examines the heterogeneous effects of GAI-powered personalized feedback on high school students' physics achievement and autonomy through two randomized controlled trials, with a major focus on usage patterns. Each experiment lasted for five weeks, involving a total of 387 students. Experiment 1 (n = 121) assessed compulsory usage of the personalized recommendation system, revealing that low-achieving students significantly improved academic performance (d = 0.673, p < 0.05) when receiving AI-generated heuristic solution hints, whereas medium-achieving students' performance declined (d = -0.539, p < 0.05) with conventional answers provided by workbook. Notably, high-achieving students experienced a significant decline in self-regulated learning (d = -0.477, p < 0.05) without any significant gains in achievement. Experiment 2 (n = 266) investigated the usage pattern of autonomous on-demand help, demonstrating that fully learner-controlled AI feedback significantly enhanced academic performance for high-achieving students (d = 0.378, p < 0.05) without negatively impacting their autonomy. However, autonomy notably declined among lower achievers exposed to on-demand AI interventions (d = -0.383, p < 0.05), particularly in the technical-psychological dimension (d = -0.549, p < 0.05), which has a large overlap with self-regulation. These findings underscore the importance of usage patterns when applying GAI-powered personalized feedback to students.
- Abstract（参考訳）: 生成型AI(GAI)によるフィードバックの正確さと適応性にもかかわらず、既存の実践と文献は、学生の学習にどのように影響するかを無視する可能性がある。
本研究は, GAIを活用した個人化されたフィードバックが, 高校生の物理学的達成と自律性に及ぼす不均一な効果について, ランダム化比較試験を2回実施し, 利用パターンに大きく焦点をあてた。
各実験は5週間にわたって行われ、合計で387人の学生が参加した。
実験1 (n = 121) では, パーソナライズされたレコメンデーションシステムの強制的利用を評価した結果, 低学歴の学生は, AI生成したヒューリスティックな解のヒントを受け取った場合, 学業成績(d = 0.673, p < 0.05)が有意に向上し, 中学の学生の成績は従来のワークブックによる回答で低下した(d = -0.539, p < 0.05)。
特に、高成績の学生は自己統制学習(d = -0.477, p < 0.05)の大幅な減少を経験したが、成果は得られなかった。
実験2(n = 266)では、自律型オンデマンドヘルプの使用パターンを調査し、完全な学習者によるAIフィードバックが、自己に悪影響を与えることなく、高学年(d = 0.378, p < 0.05)の学術的パフォーマンスを著しく向上させることを示した。
しかし、オンデマンドのAI介入(d = -0.383, p < 0.05)に晒された低い達成者の間では、特に自己規制と重なる技術的心理学的次元(d = -0.549, p < 0.05)において、自律性は顕著に低下した。
これらの知見は, GAIを活用したパーソナライズされたフィードバックを学生に適用する際の利用パターンの重要性を浮き彫りにした。
関連論文リスト
- On the Mistaken Assumption of Interchangeable Deep Reinforcement Learning Implementations [53.0667196725616]
ディープ・強化学習(Deep Reinforcement Learning, DRL)とは、エージェントがニューラルネットワークを使って特定の環境でどのアクションをとるかを学ぶ人工知能のパラダイムである。
DRLは最近、ドライビングシミュレーター、3Dロボット制御、マルチプレイヤー・オンライン・バトル・アリーナ・ビデオゲームといった複雑な環境を解くことで注目を集めている。
現在、Deep Q-Network (DQN) や Proximal Policy Optimization (PPO) アルゴリズムのような、これらのエージェントを訓練する最先端のアルゴリズムの実装が数多く存在する。
論文 参考訳（メタデータ） (2025-03-28T16:25:06Z) - DASKT: A Dynamic Affect Simulation Method for Knowledge Tracing [51.665582274736785]
KT(Knowledge Tracing)は,学生の履歴計算によって将来のパフォーマンスを予測し,学生の感情状態を理解することで,KTの有効性を高めることができる。
本研究では,学生の感情状態が知識状態に与える影響を調べるために,DASKT(Affect Dynamic Knowledge Tracing)を提案する。
我々の研究は、高い解釈可能性と精度の実現に焦点をあてて、今後の研究への有望な道のりを強調している。
論文 参考訳（メタデータ） (2025-01-18T10:02:10Z) - Exploring Factors Affecting Student Learning Satisfaction during COVID-19 in South Korea [0.0]
本研究は,パンデミックにおける学生の学習嗜好と満足度に関連するいくつかの側面を理解することを目的とした。
収集したデータには、学生の性別、専攻、学習時の満足度、モチベーションレベル、パフォーマンス、感情状態、学習環境が含まれていた。
論文 参考訳（メタデータ） (2024-07-12T14:28:11Z) - RILe: Reinforced Imitation Learning [60.63173816209543]
RILe(Reinforced Learning)は、模倣学習と逆強化学習の強みを組み合わせて、高密度報酬関数を効率的に学習するフレームワークである。
本フレームワークは, 直接模倣が複雑な動作を再現できないような高次元タスクにおいて, 高い性能のポリシーを生成する。
論文 参考訳（メタデータ） (2024-06-12T17:56:31Z) - Revolutionising Distance Learning: A Comparative Study of Learning Progress with AI-Driven Tutoring [0.0]
生成型AIが大学生の学習速度を大幅に向上させるという最初の証拠を提示する。
我々は,AIを活用した教師アシスタントSynteaの使用が,何百人もの遠隔学習学生の学習速度に影響を及ぼすかどうかを検証した。
論文 参考訳（メタデータ） (2024-02-21T12:15:58Z) - Implementing Learning Principles with a Personal AI Tutor: A Case Study [2.94944680995069]
本研究は,人間の学習過程をモデル化し,学術的性能を効果的に向上するパーソナルAIチューターの能力を示す。
プログラムにAIチューターを統合することで、教育者は、学習科学の原則に基づくパーソナライズされた学習体験を学生に提供することができる。
論文 参考訳（メタデータ） (2023-09-10T15:35:47Z) - Assessing Student Errors in Experimentation Using Artificial
Intelligence and Large Language Models: A Comparative Study with Human Raters [9.899633398596672]
学生の誤りを自動的に識別するLarge Language Models (LLMs) の可能性を検討する。
GPT-3.5とGPT-4をベースとしたAIシステムを開発・試験した。
以上の結果から,AIシステムとレーダ間の誤差検出における精度の差が示唆された。
論文 参考訳（メタデータ） (2023-08-11T12:03:12Z) - Distantly-Supervised Named Entity Recognition with Adaptive Teacher
Learning and Fine-grained Student Ensemble [56.705249154629264]
NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。
本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。
微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
論文 参考訳（メタデータ） (2022-12-13T12:14:09Z) - StudyMe: A New Mobile App for User-Centric N-of-1 Trials [68.8204255655161]
N-of-1臨床試験は、個人が個人の健康目標に対する介入の効果を体系的に評価できる多種多様な自己実験である。
StudyMeはオープンソースのモバイルアプリで、https://play.google.com/store/apps/details?id=health.studyu.me.comから無料で利用できる。
論文 参考訳（メタデータ） (2021-07-31T20:43:36Z) - Persistent Reinforcement Learning via Subgoal Curricula [114.83989499740193]
VaPRL(Value-accelerated Persistent Reinforcement Learning)は、初期状態のカリキュラムを生成する。
VaPRLは、エピソード強化学習と比較して、3桁の精度で必要な介入を減らす。
論文 参考訳（メタデータ） (2021-07-27T16:39:45Z) - LANA: Towards Personalized Deep Knowledge Tracing Through
Distinguishable Interactive Sequences [21.67751919579854]
今後の質問に対する学生の回答を予測するために、Leveled Attentive KNowledge TrAcing(LANA)を提案します。
新しい学生関連特徴抽出装置(SRFE)を使用して、学生固有の特性をそれぞれのインタラクティブシーケンスから蒸留します。
ピボットモジュールは、個々の学生のためのデコーダを再構築し、グループのためのレベル付き学習特化エンコーダにより、パーソナライズされたDKTを実現した。
論文 参考訳（メタデータ） (2021-04-21T02:57:42Z)
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。