論文の概要: Quantifying Student Success with Generative AI: A Monte Carlo Simulation Informed by Systematic Review
- arxiv url: http://arxiv.org/abs/2507.01062v1
- Date: Mon, 30 Jun 2025 09:50:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-03 14:22:59.813666
- Title: Quantifying Student Success with Generative AI: A Monte Carlo Simulation Informed by Systematic Review
- Title（参考訳）: ジェネレーティブAIによる学生成功の定量化 - システムレビューによるモンテカルロシミュレーション
- Authors: Seyma Yaman Kayadibi,
- Abstract要約: 本稿では,系統的な文献レビューとシミュレーションに基づくモデリングを含むハイブリッド手法を用いる。
2023年から2025年にかけて、209件の実証記事が、スコパスデータベースを対象としたPRISMAベースの検索の中から選ばれた。
その結果、ユーザビリティや実世界の有用性に関連する態度因子は、感情的・信頼的要因よりも、肯定的な学習達成の予測因子として優れていることが判明した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The exponential development of generative artificial intelligence (GenAI) technologies like ChatGPT has raised increasing curiosity about their use in higher education, specifically with respect to how students view them, make use of them, and the implications for learning outcomes. This paper employs a hybrid methodological approach involving a systematic literature review and simulation-based modeling to explore student perceptions of GenAI use in the context of higher education. A total of nineteen empirical articles from 2023 through 2025 were selected from the PRISMA-based search targeting the Scopus database. Synthesis of emerging patterns from the literature was achieved by thematic categorization. Six of these had enough quantitative information, i.e., item-level means and standard deviations, to permit probabilistic modeling. One dataset, from the resulting subset, was itself selected as a representative case with which to illustrate inverse-variance weighting by Monte Carlo simulation, by virtue of its well-designed Likert scale format and thematic alignment with the use of computing systems by the researcher. The simulation provided a composite "Success Score" forecasting the strength of the relationship between student perceptions and learning achievements. Findings reveal that attitude factors concerned with usability and real-world usefulness are significantly better predictors of positive learning achievement than affective or trust-based factors. Such an interdisciplinary perspective provides a unique means of linking thematic results with predictive modelling, resonating with longstanding controversies about the proper use of GenAI tools within the university.
- Abstract（参考訳）: ChatGPTのような生成人工知能(GenAI)技術の指数関数的発展は、高等教育における利用に関する好奇心を高めている。
本稿では,高等教育の文脈におけるGenAI利用の学生の認識を探索するために,体系的な文献レビューとシミュレーションに基づくモデリングを含むハイブリッドな方法論的アプローチを採用する。
2023年から2025年までの19の実証記事が、スコパスデータベースを対象としたPRISMAベースの検索から選ばれた。
文学から出現するパターンの合成は、主題分類によって達成された。
そのうち6つは、確率的モデリングを可能にするのに十分な量的情報、すなわちアイテムレベルの手段と標準偏差を持っていた。
1つのデータセットは、結果のサブセットから、よく設計されたLikertスケールフォーマットと研究者によるコンピューティングシステムの使用とのセマンティックアライメントにより、モンテカルロシミュレーションによって逆分散重み付けを記述するための代表ケースとして選択された。
シミュレーションでは、学生の知覚と学習成果の関係の強さを予測した「Success Score」が提供された。
その結果、ユーザビリティや実世界の有用性に関連する態度因子は、感情的・信頼的要因よりも、肯定的な学習達成の予測因子として優れていることが判明した。
このような学際的な視点は、学内におけるGenAIツールの適切な使用に関する長年の論争に呼応して、数学的な結果と予測的モデリングを結びつけるユニークな手段を提供する。
関連論文リスト
- The Use of Generative Artificial Intelligence for Upper Secondary Mathematics Education Through the Lens of Technology Acceptance [0.3749861135832073]
本研究では,生成人工知能(GenAI)を用いた数学教育における学生の認識について検討した。
その結果,GenAIの使用意図に対する知覚的有用性の影響が強く示された。
互換性の付与により、モデルの説明力、特に知覚された有用性を予測する能力が改善された。
論文 参考訳（メタデータ） (2025-01-02T14:50:30Z) - Unified Explanations in Machine Learning Models: A Perturbation Approach [0.0]
XAIとモデリング技術の不整合は、これらの説明可能性アプローチの有効性に疑念を投げかけるという望ましくない効果をもたらす可能性がある。
我々はXAI, SHapley Additive exPlanations (Shap) において, 一般的なモデルに依存しない手法に対する系統的摂動解析を提案する。
我々は、一般的な機械学習とディープラーニングの手法のスイートと、静的ケースホールドで生成された説明の正確さを定量化するためのメトリクスの中で、動的推論の設定において、相対的な特徴重要度を生成するアルゴリズムを考案した。
論文 参考訳（メタデータ） (2024-05-30T16:04:35Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - A Novel Neural-symbolic System under Statistical Relational Learning [47.30190559449236]
NSF-SRLと呼ばれる統計的関係学習に基づくニューラルシンボリック・フレームワークを提案する。
シンボリック推論の結果は、深層学習モデルによる予測の洗練と修正に利用され、深層学習モデルはシンボリック推論プロセスの効率を高める。
我々は、このアプローチがニューラルシンボリックシステムの新しい標準となり、汎用人工知能の分野における将来の研究を促進すると信じている。
論文 参考訳（メタデータ） (2023-09-16T09:15:37Z) - Machine Learning Approach for Predicting Students Academic Performance
and Study Strategies based on their Motivation [0.0]
本研究は,学生の学業成績と学習戦略予測のための機械学習モデルの開発を目的とする。
モデル構築には,学生の学習過程に不可欠な重要な学習属性(内在的,外在的,自律的,関連性,能力,自尊心)が用いられた。
論文 参考訳（メタデータ） (2022-10-15T04:09:05Z) - From Mimicking to Integrating: Knowledge Integration for Pre-Trained
Language Models [55.137869702763375]
本稿では,新しいPLM再利用パラダイムであるKnowledge Integration(KI)について検討する。
KIは,異なる分類問題に特化している教師-PLMの知識を,多種多様な学生モデルにマージすることを目的としている。
次に,モデル不確かさを意識した知識統合(MUKI)フレームワークを設計し,学生の黄金の監督を回復する。
論文 参考訳（メタデータ） (2022-10-11T07:59:08Z) - Generalisable Methods for Early Prediction in Interactive Simulations
for Education [5.725477071353353]
シミュレーションにおける生徒のインタラクションデータを,期待性能に基づいて分類することは,適応的な指導を可能にする可能性がある。
まず,学生のタスク内動作を通して概念的理解を計測する。
そこで,我々は,クリックストリームデータから,シミュレーションの状態と学生の行動の両方をエンコードする,新しいタイプの特徴を提案する。
論文 参考訳（メタデータ） (2022-07-04T14:46:56Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳（メタデータ） (2021-07-07T11:17:09Z) - Task-Feature Collaborative Learning with Application to Personalized
Attribute Prediction [166.87111665908333]
本稿では,TFCL(Task-Feature Collaborative Learning)と呼ばれる新しいマルチタスク学習手法を提案する。
具体的には、まず、特徴とタスクの協調的なグループ化を活用するために、不均一なブロック対角構造正規化器を用いたベースモデルを提案する。
実際の拡張として,重なり合う機能と難易度を区別することで,基本モデルを拡張します。
論文 参考訳（メタデータ） (2020-04-29T02:32:04Z)
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。