論文の概要: A Survey of LLM-Based Applications in Programming Education: Balancing Automation and Human Oversight

• arxiv url: http://arxiv.org/abs/2510.03719v1
• Date: Sat, 04 Oct 2025 07:46:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.209833
• Title: A Survey of LLM-Based Applications in Programming Education: Balancing Automation and Human Oversight
• Title（参考訳）: プログラミング教育におけるLCMベースの応用に関する調査: 自動化のバランスと人的監督
• Authors: Griffin Pitts, Anurata Prabha Hridi, Arun-Balajiee Lekshmi-Narayanan,
• Abstract要約: 本調査は,プログラム教育における大規模言語モデル(LLM)の適用に関する最近の研究を,形式的コードフィードバック,アセスメント,知識モデリングの3分野に分けてまとめたものである。 これらのツールの適用方法において繰り返し発生するデザインパターンを特定し,教育者の専門知識がヒューマン・イン・ザ・ループの監視,足場,評価を通じてモデル出力を補完する場合には,介入が最も効果的であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Novice programmers benefit from timely, personalized support that addresses individual learning gaps, yet the availability of instructors and teaching assistants is inherently limited. Large language models (LLMs) present opportunities to scale such support, though their effectiveness depends on how well technical capabilities are aligned with pedagogical goals. This survey synthesizes recent work on LLM applications in programming education across three focal areas: formative code feedback, assessment, and knowledge modeling. We identify recurring design patterns in how these tools are applied and find that interventions are most effective when educator expertise complements model output through human-in-the-loop oversight, scaffolding, and evaluation. Fully automated approaches are often constrained in capturing the pedagogical nuances of programming education, although human-in-the-loop designs and course specific adaptation offer promising directions for future improvement. Future research should focus on improving transparency, strengthening alignment with pedagogy, and developing systems that flexibly adapt to the needs of varied learning contexts.
• Abstract（参考訳）: 初心者プログラマは、個別の学習ギャップに対処するタイムリーでパーソナライズされたサポートの恩恵を受ける。 大規模言語モデル(LLM)はそのようなサポートをスケールする機会を提供するが、その効果は、技術的能力が教育的目標とどの程度うまく一致しているかに依存している。 本研究は,プログラミング教育におけるLLM応用に関する最近の研究を,形式的コードフィードバック,アセスメント,知識モデリングの3分野に分けてまとめたものである。 これらのツールの適用方法において,繰り返し発生するデザインパターンを識別し,教育者の専門知識がヒューマン・イン・ザ・ループの監視,足場,評価を通じてモデル出力を補完する場合には,介入が最も効果的であることを示す。 完全に自動化されたアプローチは、しばしばプログラミング教育の教育的ニュアンスを捉えることに制約されるが、人間-イン・ザ・ループの設計とコース固有の適応は将来の改善に有望な方向を提供する。 今後の研究は、透明性の向上、教育との整合性強化、およびさまざまな学習コンテキストのニーズに柔軟に対応可能なシステムの開発に重点を置くべきである。

関連論文リスト

• Partnering with AI: A Pedagogical Feedback System for LLM Integration into Programming Education [21.37197118335639]
  本稿では,大規模言語モデル(LLM)によるフィードバック生成のための新しいフレームワークを提案する。 本研究は, 教員が枠組みに整合すると, LLMが学生を効果的に支援できると考えていることを示唆する。 しかし、動的な教室環境にフィードバックを適応できないなど、いくつかの制限があった。
  論文  参考訳（メタデータ） (2025-07-01T03:48:48Z)
• Design of AI-Powered Tool for Self-Regulation Support in Programming Education [4.171227316909729]
  大きな言語モデル(LLM)ツールは、高品質な補助を提供する可能性を示している。 しかし、これらのツールの多くは、機関的な学習管理システムとは独立して運用されている。 この分離は、学習材料を活用する能力と、適切なコンテキスト対応のフィードバックを生成するためのコンテキストを行使する能力を制限する。
  論文  参考訳（メタデータ） (2025-04-03T22:47:33Z)
• LLM Post-Training: A Deep Dive into Reasoning Large Language Models [131.10969986056]
  大規模言語モデル (LLMs) は自然言語処理の状況を変え、多様な応用をもたらした。 ポストトレーニング手法により、LLMは知識を洗練させ、推論を改善し、事実の正確性を高め、ユーザの意図や倫理的配慮をより効果的に整合させることができる。
  論文  参考訳（メタデータ） (2025-02-28T18:59:54Z)
• LLM-powered Multi-agent Framework for Goal-oriented Learning in Intelligent Tutoring System [54.71619734800526]
  GenMentorは、ITS内で目標指向でパーソナライズされた学習を提供するために設計されたマルチエージェントフレームワークである。 学習者の目標を、カスタムのゴール・トゥ・スキルデータセットでトレーニングされた微調整LDMを使用して、必要なスキルにマッピングする。 GenMentorは、個々の学習者のニーズに合わせて探索・描画・統合機構で学習内容を調整する。
  論文  参考訳（メタデータ） (2025-01-27T03:29:44Z)
• CLOVA: A Closed-Loop Visual Assistant with Tool Usage and Update [69.59482029810198]
  CLOVAは、推論、リフレクション、学習フェーズを含むフレームワーク内で動作するクローズドループビジュアルアシスタントである。 その結果,CLOVAは既存のツール利用手法を5%,知識タグ付けでは10%,画像編集では20%,視覚的質問応答や複数画像推論では5%に上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-12-18T03:34:07Z)

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。