論文の概要: From Recall to Reasoning: Automated Question Generation for Deeper Math Learning through Large Language Models
- arxiv url: http://arxiv.org/abs/2505.11899v1
- Date: Sat, 17 May 2025 08:30:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-20 14:57:10.924895
- Title: From Recall to Reasoning: Automated Question Generation for Deeper Math Learning through Large Language Models
- Title（参考訳）: リコールから推論:大規模言語モデルによるより深い数学学習のための自動質問生成
- Authors: Yongan Yu, Alexandre Krantz, Nikki G. Lobczowski,
- Abstract要約: 先進数学のためのコンテンツ生成を最適化する第1ステップについて検討した。
我々は、GenAIがコース内容に関連する高品質な実践問題を生み出す能力について検討した。
- 参考スコア（独自算出の注目度）: 44.99833362998488
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Educators have started to turn to Generative AI (GenAI) to help create new course content, but little is known about how they should do so. In this project, we investigated the first steps for optimizing content creation for advanced math. In particular, we looked at the ability of GenAI to produce high-quality practice problems that are relevant to the course content. We conducted two studies to: (1) explore the capabilities of current versions of publicly available GenAI and (2) develop an improved framework to address the limitations we found. Our results showed that GenAI can create math problems at various levels of quality with minimal support, but that providing examples and relevant content results in better quality outputs. This research can help educators decide the ideal way to adopt GenAI in their workflows, to create more effective educational experiences for students.
- Abstract（参考訳）: 教育者は、新しいコースコンテンツの作成を支援するためにGenerative AI(GenAI)に目を向け始めたが、その方法についてはほとんど分かっていない。
本稿では,先進数学のためのコンテンツ生成を最適化する最初のステップについて検討した。
特に、科目内容に関連する高品質な実践問題をGenAIが生み出す能力について検討した。
我々は,(1)現在利用可能なGenAIの現行バージョンの性能を探究し,(2)見いだした限界に対処する改良されたフレームワークを開発する。
この結果から,GenAIは最小サポートで様々な品質レベルで数学の問題を発生させることができるが,実例や関連コンテンツを提供することで,より良い品質の出力が得られることがわかった。
この研究は、教育者が彼らのワークフローにGenAIを採用する理想的な方法を決定するのに役立ち、学生にとってより効果的な教育体験を作り出すのに役立つ。
関連論文リスト
- Experiences with Content Development and Assessment Design in the Era of GenAI [0.032771631221674334]
GenAIの進歩は教育のいくつかの側面、特に主題と評価設計に革命をもたらした。
本論文は、講義、研究室、評価など、GenAIがいかに効果的に対象を設計できるかを、プロンプトとカスタムベーストレーニングを用いて判断することを目的としている。
論文 参考訳（メタデータ） (2025-02-28T05:05:15Z) - Beyond the Hype: A Comprehensive Review of Current Trends in Generative AI Research, Teaching Practices, and Tools [4.352985782794601]
2024年、コンピュータ教室におけるGenAI利用の効果に関する新たな研究が生まれ始めた。
新しいデータには、GenAIを使って教室の授業を大規模にサポートし、学生にGenAIでプログラミングの仕方を教えることが含まれる。
プログラミングの課題について、生徒にパーソナライズされたフィードバックを提供したり、プログラミングとスキルを同時に教える新しい種類のツールが登場している。
論文 参考訳（メタデータ） (2024-12-19T11:01:11Z) - Scaling of Search and Learning: A Roadmap to Reproduce o1 from Reinforcement Learning Perspective [77.94874338927492]
OpenAIは、o1の背後にある主要な技術は強化学習であると主張している。
本稿では、強化学習の観点から、o1を達成するためのロードマップを分析する。
論文 参考訳（メタデータ） (2024-12-18T18:24:47Z) - Model-based Maintenance and Evolution with GenAI: A Look into the Future [47.93555901495955]
我々は、モデルベースエンジニアリング(MBM&E)の限界に対処する手段として、生成人工知能(GenAI)を用いることができると論じる。
我々は、エンジニアの学習曲線の削減、レコメンデーションによる効率の最大化、ドメイン問題を理解するための推論ツールとしてのGenAIの使用を提案する。
論文 参考訳（メタデータ） (2024-07-09T23:13:26Z) - Identifying and Mitigating the Security Risks of Generative AI [179.2384121957896]
本稿では,GenAIによる双対ジレンマに関するGoogleのワークショップの成果を報告する。
GenAIはまた、攻撃者が新しい攻撃を生成し、既存の攻撃のベロシティと有効性を高めるためにも使用できる。
この話題について,コミュニティの短期的,長期的目標について論じる。
論文 参考訳（メタデータ） (2023-08-28T18:51:09Z) - A Model for Integrating Generative AI into Course Content Development [0.0]
GAIDEは、ジェネレーティブAI(GenAI)を使用して教育コンテンツ作成を促進するための新しいフレームワークである。
コンテンツ開発を効率化し、動的材料の開発を奨励し、教育設計におけるGenAIの有用性を実証することを目的としている。
論文 参考訳（メタデータ） (2023-08-23T17:47:35Z) - Innovating Computer Programming Pedagogy: The AI-Lab Framework for
Generative AI Adoption [0.0]
我々は、中核的なプログラミングコースでGenAIを効果的に活用するために、学生を指導するフレームワーク「AI-Lab」を紹介した。
GenAIの誤りを特定し、修正することで、学生は学習プロセスを充実させる。
教育者にとって、AI-Labは、学習経験におけるGenAIの役割に対する学生の認識を探索するメカニズムを提供する。
論文 参考訳（メタデータ） (2023-08-23T17:20:37Z) - A Comprehensive Survey of AI-Generated Content (AIGC): A History of
Generative AI from GAN to ChatGPT [63.58711128819828]
ChatGPTおよびその他の生成AI(GAI)技術は、人工知能生成コンテンツ(AIGC)のカテゴリに属している。
AIGCの目標は、コンテンツ作成プロセスをより効率的かつアクセスしやすくし、高品質なコンテンツをより高速に生産できるようにすることである。
論文 参考訳（メタデータ） (2023-03-07T20:36:13Z)
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。