論文の概要: From Generation to Adaptation: Comparing AI-Assisted Strategies in High School Programming Education
- arxiv url: http://arxiv.org/abs/2506.15955v1
- Date: Thu, 19 Jun 2025 01:46:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-23 19:00:04.905491
- Title: From Generation to Adaptation: Comparing AI-Assisted Strategies in High School Programming Education
- Title（参考訳）: 生成から適応へ:高校プログラミング教育におけるAI支援戦略の比較
- Authors: Tong Hu, Songzan Wang,
- Abstract要約: このケーススタディでは、LCA支援プログラミングにおける2つの対照的な教育的アプローチについて検討した。
学生はLCAを使用して抽象仕様からコードを生成し、たった20%のMVP完了を達成した。
フェーズ2では、学生はLCAを使用して、既存の最小機能ユニット(MFU)、小さな、機能的なコード例を適応し、100%MVPの完成を達成した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This exploratory case study investigated two contrasting pedagogical approaches for LCA-assisted programming with five novice high school students preparing for a WeChat Mini Program competition. In Phase 1, students used LCAs to generate code from abstract specifications (From-Scratch approach), achieving only 20% MVP completion. In Phase 2, students adapted existing Minimal Functional Units (MFUs), small, functional code examples, using LCAs, achieving 100% MVP completion. Analysis revealed that the MFU-based approach succeeded by aligning with LCA strengths in pattern modification rather than de novo generation, while providing cognitive scaffolds that enabled students to navigate complex development tasks. The study introduces a dual-scaffolding model combining technical support (MFUs) with pedagogical guidance (structured prompting strategies), demonstrating that effective LCA integration depends less on AI capabilities than on instructional design. These findings offer practical guidance for educators seeking to transform AI tools from sources of frustration into productive learning partners in programming education.
- Abstract（参考訳）: WeChat Mini Program コンペティションに備えた小学生5名を対象に,LCA支援プログラミングの2つの対照的な教育的アプローチについて検討した。
フェーズ1では、生徒はLCAを使用して抽象仕様からコードを生成する(From-Scratchアプローチ)。
フェーズ2では、学生はLCAを使用して、既存の最小機能ユニット(MFU)、小さな、機能的なコード例を適応し、100%MVPの完成を達成した。
分析の結果、MFUベースのアプローチは、デノボ生成ではなくパターン修正におけるLCAの強度と整合し、複雑な開発タスクを学生が操作できる認知的足場を提供することに成功していることがわかった。
この研究は、技術支援(MFU)と教育指導(構造化促進戦略)を組み合わせたデュアルスキャフォールディングモデルを導入し、効果的なLCA統合が教育設計よりもAI能力に依存しないことを実証した。
これらの発見は、AIツールをフラストレーションの源からプログラミング教育における生産的な学習パートナーに転換しようとする教育者に対して、実践的なガイダンスを提供する。
関連論文リスト
- Encouraging Students' Responsible Use of GenAI in Software Engineering Education: A Causal Model and Two Institutional Applications [1.1511012020557325]
ChatGPTやGitHub CopilotといったジェネレーティブAI(GenAI)ツールは、教育において広く普及している。
コースワークから学ぶよりも、学生がそれを完成させるために使うことを懸念する声が上がっている。
本稿では、ソフトウェア工学教育におけるGenAI利用に責任を持つ教育者を支援するために、因果モデルを提案し、実証的に適用する。
論文 参考訳（メタデータ） (2025-05-31T19:27:40Z) - Tool-Star: Empowering LLM-Brained Multi-Tool Reasoner via Reinforcement Learning [63.31585771716123]
大言語モデル(LLM)は、大規模強化学習(RL)を通じて顕著な推論能力を示した。
ステップワイズ推論中に複数の外部ツールを自律的に呼び出すLLベースのフレームワークであるTool-Starを紹介する。
Tool-Starは6種類のツールを統合し、データ合成とトレーニングの両方に体系的な設計を取り入れている。
論文 参考訳（メタデータ） (2025-05-22T09:00:19Z) - Enhancing LLM Code Generation: A Systematic Evaluation of Multi-Agent Collaboration and Runtime Debugging for Improved Accuracy, Reliability, and Latency [0.0]
プログラミング活動の異なる構成や訓練パラダイムがコード生成の効率に与える影響について検討する。
私たちの発見は、堅牢なAI駆動型コーディングソリューションを求める組織に貴重な洞察を与えます。
論文 参考訳（メタデータ） (2025-05-04T14:44:27Z) - 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) - MiniVLN: Efficient Vision-and-Language Navigation by Progressive Knowledge Distillation [17.27883003990266]
VLN(Vision-and-Language Navigation)は、Embodied AIのコアタスクである。
本稿では,2段階の知識蒸留フレームワークを導入し,学生モデルMiniVLNについて述べる。
その結果,2段階蒸留法は,教師モデルと学生モデルのパフォーマンスギャップを狭めるのに有効であることが示唆された。
論文 参考訳（メタデータ） (2024-09-27T14:54:54Z) - A Reinforcement Learning-assisted Genetic Programming Algorithm for Team
Formation Problem Considering Person-Job Matching [70.28786574064694]
解の質を高めるために強化学習支援遺伝的プログラミングアルゴリズム(RL-GP)を提案する。
効率的な学習を通じて得られる超ヒューリスティックなルールは、プロジェクトチームを形成する際の意思決定支援として利用することができる。
論文 参考訳（メタデータ） (2023-04-08T14:32:12Z) - Improving Few-Shot Generalization by Exploring and Exploiting Auxiliary
Data [100.33096338195723]
補助データを用いたFew-shot Learning(FLAD)に焦点を当てる。
FLADは、一般化を改善するために、数ショットの学習中に補助データへのアクセスを前提としている。
提案するアルゴリズムは EXP3-FLAD と UCB1-FLAD の2つである。
論文 参考訳（メタデータ） (2023-02-01T18:59:36Z) - Investigating the Impact of Backward Strategy Learning in a Logic Tutor:
Aiding Subgoal Learning towards Improved Problem Solving [6.639504127104268]
トレーニングセッションでは、学生が後方戦略を学ぶのを助けるために、後方作業例(BWE)と問題解決(BPS)が実施された。
以上の結果から,BWEとBPSを併用した訓練を受けた学生は,BWEとBWEの併用が認められなかった場合,BWEとBWEの併用が困難であった。
論文 参考訳（メタデータ） (2022-07-27T00:43:52Z) - Learning Multi-Objective Curricula for Deep Reinforcement Learning [55.27879754113767]
深部強化学習(DRL)のサンプル効率と最終性能を向上させるために,各種自動カリキュラム学習(ACL)手法が提案されている。
本稿では,多目的だがコヒーレントなカリキュラムを作成するための統合された自動カリキュラム学習フレームワークを提案する。
既存の手設計のカリキュラムパラダイムに加えて,抽象カリキュラムを学習するためのフレキシブルなメモリ機構を設計する。
論文 参考訳（メタデータ） (2021-10-06T19:30:25Z) - Partner-Assisted Learning for Few-Shot Image Classification [54.66864961784989]
人間の視覚能力を模倣し、徹底的な人間のアノテーションを必要とせずに効果的なモデルを学ぶために、わずかなショットラーニングが研究されている。
本稿では,新しいクラスのプロトタイプをラベル付きサンプルから推定できるように,要素表現を得るためのトレーニング戦略の設計に焦点をあてる。
本稿では,まずパートナーエンコーダのペアワイド類似性をモデル化し,ソフトアンカーとして機能する特徴を抽出し,その出力をソフトアンカーと整列させ,分類性能を最大化しようとする2段階トレーニング手法を提案する。
論文 参考訳（メタデータ） (2021-09-15T22:46:19Z) - Automatic Curriculum Learning For Deep RL: A Short Survey [32.91961426023246]
ACL(Automatic Curriculum Learning)は,近年のDep Reinforcement Learning(DRL)の成功の基盤となっている。
この研究の目標は、コンパクトで導入可能なオートマチックラーニング文学を提示し、既存の概念の交配と新しいアイデアの出現を促進するために、ACLにおける芸術の現在の状況をより深く描くことである。
論文 参考訳（メタデータ） (2020-03-10T12:38:31Z)
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。