論文の概要: Prompting the Professoriate: A Qualitative Study of Instructor Perspectives on LLMs in Data Science Education

• arxiv url: http://arxiv.org/abs/2509.12283v1
• Date: Sun, 14 Sep 2025 17:32:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.6802
• Title: Prompting the Professoriate: A Qualitative Study of Instructor Perspectives on LLMs in Data Science Education
• Title（参考訳）: データサイエンス教育におけるLLMのインストラクタ視点に関する質的研究
• Authors: Ana Elisa Lopez-Miranda, Tiffany Timbers, Rohan Alexander,
• Abstract要約: 大規模言語モデル(LLM)は、わずか数年で、新しいものからユビキティなものへと変化し、データサイエンス教育の基本的な疑問を提起している。 10か国33施設の教官42名を対象に半構造化面接を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) have shifted in just a few years from novelty to ubiquity, raising fundamental questions for data science education. Tasks once used to teach coding, writing, and problem-solving can now be completed by LLMs, forcing educators to reconsider both pedagogy and assessment. To understand how instructors are adapting, we conducted semi-structured interviews with 42 instructors from 33 institutions in 10 countries in June and July 2025. Our qualitative analysis reveals a pragmatic mix of optimism and concern. Many respondents view LLMs as inevitable classroom tools -- comparable to calculators or Wikipedia -- while others worry about de-skilling, misplaced confidence, and uneven integration across institutions. Around 58 per cent have already introduced demonstrations, guided activities, or make extensive use of LLMs in their courses, though most expect change to remain slow and uneven. That said, 31 per cent have not used LLMs to teach students and do not plan to. We highlight some instructional innovations, including AI-aware assessments, reflective use of LLMs as tutors, and course-specific chatbots. By sharing these perspectives, we aim to help data science educators adapt collectively to ensure curricula keep pace with technological change.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、わずか数年で、新しいものからユビキティなものへと変化し、データサイエンス教育の基本的な疑問を提起している。 かつてコーディング、記述、問題解決を教えるために使われたタスクは、LLMによって完了し、教育者は教育と評価の両方を再考せざるを得なくなった。 2025年6月から7月にかけて10ヶ国33施設の教官42名を対象に半構造化面接を行った。 質的な分析により、楽観主義と関心のプラグマティックな混合が明らかになる。 多くの回答者は、LCMを必然的な教室ツール(電卓やウィキペディアに匹敵する)と見なしている。 約58%が既にデモや指導活動、LLMをコースで広く活用しているが、ほとんどの人は変化が遅く不均一であることを期待している。 とは言っても、31%はLLMを使って生徒に教えていないし、計画もしていない。 我々は、AI対応アセスメント、家庭教師としてのLLMの反射的利用、コース固有のチャットボットなど、いくつかの指導的イノベーションを強調した。 これらの視点を共有することで、私たちはデータサイエンス教育者が一括して適応し、カリキュラムが技術的な変化に遅れないようにすることを目指している。

関連論文リスト

• Investigating Student Interaction Patterns with Large Language Model-Powered Course Assistants in Computer Science Courses [4.761218834684297]
  大規模言語モデル(LLM)は、このギャップを埋める上で有望であるが、学生とLLM間の相互作用は、教育者によって監督されることは滅多にない。 我々は,複数のコンピュータ科学コースにまたがって展開されるLLMを利用したコースアシスタントを開発し,実世界の利用を特徴付けるとともに,教育的意味を理解する。
  論文  参考訳（メタデータ） (2025-09-10T02:21:11Z)
• Position: LLMs Can be Good Tutors in English Education [120.25980336297444]
  大規模言語モデル(LLM)は、英語教育において効果的な家庭教師として機能する可能性がある。 LLMは、データエンハンサー、学習材料の作成の改善、学生シミュレーションの3つの重要な役割を果たすことができる。
  論文  参考訳（メタデータ） (2025-02-08T06:48:49Z)
• Automated Assignment Grading with Large Language Models: Insights From a Bioinformatics Course [0.0]
  自然言語処理と大規模言語モデル(LLM)は、パーソナライズされたフィードバックの効率的な配信を可能にすることで、有望なソリューションを提供する。 自然言語処理と大規模言語モデル(LLM)の最近の進歩は、パーソナライズされたフィードバックの効率的な配信を可能にすることによって、有望なソリューションを提供する。 提案手法により,LLMは人間の評価値に匹敵する評価精度とフィードバック品質を達成できることが示唆された。
  論文  参考訳（メタデータ） (2025-01-24T13:59:14Z)
• Embracing AI in Education: Understanding the Surge in Large Language Model Use by Secondary Students [53.20318273452059]
  OpenAIのChatGPTのような大規模言語モデル(LLM)は、新しい教育の道を開いた。 学校制限にもかかわらず,中高生300人以上を対象に調査を行ったところ,学生の70%がLDMを利用していることがわかった。 我々は、対象特化モデル、パーソナライズドラーニング、AI教室など、このような問題に対処するいくつかのアイデアを提案する。
  論文  参考訳（メタデータ） (2024-11-27T19:19:34Z)
• Exploring Knowledge Tracing in Tutor-Student Dialogues using LLMs [49.18567856499736]
  本研究では,大規模言語モデル(LLM)が対話学習を支援することができるかどうかを検討する。 我々は,学習者の知識レベルを対話全体にわたって追跡するために,ラベル付きデータに知識追跡(KT)手法を適用した。 我々は,2つの学習対話データセットの実験を行い,従来のKT手法よりも学生の反応の正しさを予測できる新しいLCM-based method LLMKTが優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-24T22:31:39Z)
• CourseAssist: Pedagogically Appropriate AI Tutor for Computer Science Education [1.052788652996288]
  このポスターでは、コンピュータサイエンス教育用に作られた新しいLLMベースのチューターシステムであるCourseAssistを紹介している。 一般的なLLMシステムとは異なり、CourseAssistは検索強化生成、ユーザ意図分類、質問分解を使用して、AI応答を特定のコース材料や学習目標と整合させる。
  論文  参考訳（メタデータ） (2024-05-01T20:43:06Z)
• "The teachers are confused as well": A Multiple-Stakeholder Ethics Discussion on Large Language Models in Computing Education [17.25008833760501]
  大きな言語モデル(LLM)は急速に進歩し、人々の生活に良くも悪くも影響を与えています。 高等教育においては、学生のLDMの誤用や教育成果の低下といった懸念が浮かび上がっている。 我々は,高等教育コンピュータサイエンスにおける利害関係者インタビューのケーススタディを行った。
  論文  参考訳（メタデータ） (2024-01-23T02:43:00Z)
• Adapting Large Language Models for Education: Foundational Capabilities, Potentials, and Challenges [60.62904929065257]
  大規模言語モデル(LLM)は、個々の要求を解釈することでこの問題を解決する可能性を提供する。 本稿では, 数学, 文章, プログラミング, 推論, 知識に基づく質問応答など, 教育能力に関する最近のLLM研究を概観する。
  論文  参考訳（メタデータ） (2023-12-27T14:37:32Z)
• Aligning Large Language Models with Human: A Survey [53.6014921995006]
  広範囲なテキストコーパスで訓練されたLarge Language Models (LLM) は、幅広い自然言語処理(NLP)タスクの先導的なソリューションとして登場した。 その顕著な性能にもかかわらず、これらのモデルは、人間の指示を誤解したり、偏見のあるコンテンツを生成したり、事実的に誤った情報を生成するといった、ある種の制限を受ける傾向にある。 本調査では,これらのアライメント技術の概要について概観する。
  論文  参考訳（メタデータ） (2023-07-24T17:44:58Z)

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。