論文の概要: Everything You Need to Know About CS Education: Open Results from a Survey of More Than 18,000 Participants
- arxiv url: http://arxiv.org/abs/2508.05286v1
- Date: Thu, 07 Aug 2025 11:29:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-08 18:59:39.836029
- Title: Everything You Need to Know About CS Education: Open Results from a Survey of More Than 18,000 Participants
- Title（参考訳）: CS教育について知っておくべきことすべて:18,000人以上の参加者を対象にした調査結果
- Authors: Katsiaryna Dzialets, Aleksandra Makeeva, Ilya Vlasov, Anna Potriasaeva, Aleksei Rostovskii, Yaroslav Golubev, Anastasiia Birillo,
- Abstract要約: 我々は173カ国の18,032人の学習者を対象に調査を行った。
本稿では,この調査結果をオープンデータセットとして紹介する。
このデータセットは、コンピュータ教育のさらなる研究と促進を支援することを目的としている。
- 参考スコア（独自算出の注目度）: 37.57706522237424
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computer science education is a dynamic field with many aspects that influence the learner's path. While these aspects are usually studied in depth separately, it is also important to carry out broader large-scale studies that touch on many topics, because they allow us to put different results into each other's perspective. Past large-scale surveys have provided valuable insights, however, the emergence of new trends (e.g., AI), new learning formats (e.g., in-IDE learning), and the increasing learner diversity highlight the need for an updated comprehensive study. To address this, we conducted a survey with 18,032 learners from 173 countries, ensuring diverse representation and exploring a wide range of topics - formal education, learning formats, AI usage, challenges, motivation, and more. This paper introduces the results of this survey as an open dataset, describes our methodology and the survey questions, and highlights, as a motivating example, three possible research directions within this data: challenges in learning, emerging formats, and insights into the in-IDE format. The dataset aims to support further research and foster advancements in computer education.
- Abstract（参考訳）: コンピュータサイエンス教育は、学習者の進路に影響を与える多くの側面を持つ動的分野である。
これらの側面は、通常別々に研究されるが、異なる結果が互いに異なる視点で得られるため、多くのトピックに触れる広範な大規模研究を行うことも重要である。
しかし、過去の大規模な調査では、新しいトレンド(AIなど)の出現、新しい学習形式(IDE内学習など)、学習者の多様性の増大が、最新の総合的な研究の必要性を浮き彫りにした。
これを解決するために、173カ国から18,032人の学習者を対象に調査を行い、多様な表現の確保と、フォーマルな教育、学習形式、AIの使用状況、課題、モチベーションなど幅広いトピックを探求した。
本稿では,この調査結果をオープンデータセットとして紹介し,私たちの方法論と調査課題を解説するとともに,このデータに含まれる3つの研究方向である学習の課題,新たなフォーマット,IDE内フォーマットに対する洞察のモチベーションとして強調する。
このデータセットは、コンピュータ教育のさらなる研究と促進を支援することを目的としている。
関連論文リスト
- Deep Learning for Educational Data Science [0.6138671548064356]
ユースケースは、オープンエンドの学生エッセイやコードのスニペットを活用する高度な知識追跡モデルから、自動影響検知や行動検出まで、さまざまです。
この章は、ディープラーニングの簡単な紹介、その利点と限界のいくつかの説明、教育における多くの利用に関する調査、そしてそれが教育データ科学の分野をさらに形成させる可能性について論じている。
論文 参考訳（メタデータ） (2024-04-12T19:17:14Z) - Understanding the Progression of Educational Topics via Semantic Matching [0.9246281666115259]
教育システムは、技術進歩、工業的、社会的ニーズに適応し、学生の学習行動を強化するために、動的に変化している。
カリキュラムスペシャリストや教育者は、学年ごとの教科を常に改訂し、ギャップを特定し、新しい学習トピックを導入し、学習結果を強化する。
データセット内に構築された主題、トピック、学習結果に関する微妙なデータを持つことで、データサイエンスを活用して、さまざまな学習トピックの進捗をよりよく理解することが可能になる。
論文 参考訳（メタデータ） (2024-02-10T08:24:29Z) - ChatGPT and Beyond: The Generative AI Revolution in Education [0.21756081703275998]
この調査は、2022年11月から2023年7月までに出版された学術文献を調査している。
教育における生成AIモデル、特にChatGPTの役割の進化を照らすことを目的としている。
このレビューの結果は、教育者、研究者、政策立案者に対して、AI技術の学習環境への統合に関する情報的な決定を下すよう促す。
論文 参考訳（メタデータ） (2023-11-26T05:34:22Z) - Federated Learning for Generalization, Robustness, Fairness: A Survey
and Benchmark [55.898771405172155]
フェデレートラーニングは、異なる当事者間のプライバシー保護コラボレーションのための有望なパラダイムとして登場した。
我々は,連合学習研究の重要かつ最近の展開を体系的に概観する。
論文 参考訳（メタデータ） (2023-11-12T06:32:30Z) - Trends in Integration of Knowledge and Large Language Models: A Survey and Taxonomy of Methods, Benchmarks, and Applications [41.24492058141363]
大規模言語モデル(LLM)は、様々な自然言語処理において優れた性能を示すが、時代遅れのデータやドメイン固有の制限から生じる問題の影響を受けやすい。
本稿では,手法,ベンチマーク,応用の分類など,知識モデルと大規模言語モデルの統合の動向を論じるレビューを提案する。
論文 参考訳（メタデータ） (2023-11-10T05:24:04Z) - A Comprehensive Survey of Forgetting in Deep Learning Beyond Continual Learning [58.107474025048866]
蓄積とは、以前に獲得した知識の喪失または劣化を指す。
フォッテッティングは、深層学習における様々な研究領域でよく見られる現象である。
論文 参考訳（メタデータ） (2023-07-16T16:27:58Z) - A Survey of Knowledge Tracing: Models, Variants, and Applications [70.69281873057619]
知識追跡は、学生の行動データ分析の基本的なタスクの1つである。
我々は、異なる技術経路を持つ3種類の基本KTモデルを示す。
この急速に成長する分野における今後の研究の方向性について論じる。
論文 参考訳（メタデータ） (2021-05-06T13:05:55Z) - Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。
近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
論文 参考訳（メタデータ） (2021-01-19T12:23:32Z) - Computer-Aided Personalized Education [15.811740322935476]
過去10年間で、導入コースを受講する米国の学生数は3倍に増えている。
大規模なオープンオンラインコース(MOOC)は、この制約を緩和する方法として推進されている。
計算ツールに依存したパーソナライズド教育はこの課題に対処できる。
論文 参考訳（メタデータ） (2020-07-07T18:00:04Z) - Heterogeneous Representation Learning: A Review [66.12816399765296]
不均一表現学習(HRL)には、いくつかの独特な課題がある。
異種入力を用いて既存の学習環境をモデル化可能な統合学習フレームワークを提案する。
HRLでは触れられていない課題と今後の研究方向性を強調します。
論文 参考訳（メタデータ） (2020-04-28T05:12:31Z) - A Survey on Knowledge Graphs: Representation, Acquisition and
Applications [89.78089494738002]
我々は,1)知識グラフ表現学習,2)知識獲得と完成,3)時間的知識グラフ,および4)知識認識アプリケーションに関する研究トピックをレビューする。
知識獲得、特に知識グラフの完成、埋め込み方法、経路推論、論理ルール推論について概観する。
メタラーニング、コモンセンス推論、時間的知識グラフなど、いくつかの新しいトピックを探求する。
論文 参考訳（メタデータ） (2020-02-02T13:17:31Z)
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。