Fugu-MT 論文翻訳(概要): CS-Guide: Leveraging LLMs and Student Reflections to Provide Frequent, Scalable Academic Monitoring Feedback to Computer Science Students

論文の概要: CS-Guide: Leveraging LLMs and Student Reflections to Provide Frequent, Scalable Academic Monitoring Feedback to Computer Science Students

arxiv url: http://arxiv.org/abs/2512.19866v1
Date: Mon, 22 Dec 2025 20:43:59 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-24 19:17:49.659334
Title: CS-Guide: Leveraging LLMs and Student Reflections to Provide Frequent, Scalable Academic Monitoring Feedback to Computer Science Students
Title（参考訳）: CS-Guide: コンピュータサイエンスの学生への頻繁でスケーラブルなモニタリングフィードバックを提供するLLMと学生の振り返りの活用
Authors: Samuel Jacob Chacko, An-I Andy Wang, Lara Perez-Felkner, Sonia Haiduc, David Whalley, Xiuwen Liu,
Abstract要約: CS部門は、しばしば多くの学生にサービスを提供し、タイムリーな学術的なモニタリングとパーソナライズされたフィードバックを困難にしている。本稿では,大規模言語モデル(LLM)を利用して,スケーラブルで頻繁な学術的フィードバックを提供するCS-Guideを提案する。 CS-Guideを4年20K経年的データセットで評価し,初等生の介入を推奨し,97%のF1スコアを得た。
参考スコア（独自算出の注目度）: 2.2012643583422347
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Computer Science (CS) departments often serve large student populations, making timely academic monitoring and personalized feedback difficult. While the recommended counselor-to-student ratio is 250:1, it often exceeds 350:1 in practice, leading to delays in support and interventions. We present CS-Guide, which leverages Large Language Models (LLMs) to deliver scalable, frequent academic feedback. Weekly, students interact with CS-Guide through self-reported grades and reflective journal entries, from which CS-Guide extracts quantitative and qualitative features and triggers tailored interventions (e.g., academic support, health and wellness referrals). Thus, CS-Guide uniquely integrates learning analytics, LLMs, and actionable interventions using both structured and unstructured student-generated data. We evaluated CS-Guide on a four-year, ~20K-entry longitudinal dataset, and it achieved up to a 97% F1 score in recommending interventions for first-year students. This shows that CS-Guide can enhance advising systems with scalable, consistent, timely, and domain-specific feedback.
Abstract（参考訳）: コンピュータサイエンス(CS)部門は、しばしば多くの学生に奉仕し、タイムリーな学術的なモニタリングとパーソナライズされたフィードバックを困難にしている。推薦されたカウンセラーと学生の比率は250:1であるが、実際には350:1を超え、支援や介入が遅れる。本稿では,大規模言語モデル(LLM)を利用して,スケーラブルで頻繁な学術的フィードバックを提供するCS-Guideを提案する。毎週、学生はCS-Guideを自己報告の成績と反射性ジャーナルエントリを通じて相互作用し、CS-Guideは量的および質的な特徴を抽出し、調整された介入(例えば、学術的支援、健康、健康基準)をトリガーする。このようにCS-Guideは、構造化データと非構造化データの両方を用いて、学習分析、LCM、アクション可能な介入を独自に統合する。 CS-Guideを4年～20K前後の縦断データセットで評価し,初等生の介入を推奨する97%のF1スコアを得た。これはCS-Guideがスケーラブルで一貫性があり、タイムリーで、ドメイン固有のフィードバックでアドバイスシステムを強化することができることを示している。

関連論文リスト

ResearchGPT: Benchmarking and Training LLMs for End-to-End Computer Science Research Workflows [109.34792911044394]
CS-54k(CS-54k)は、コンピュータ科学におけるQ&Aペアの高品質なコーパスである。 CS-4kは、科学研究を支援するAIの能力を評価するためのベンチマークである。 CS-50kは大規模なトレーニングデータセットである。
論文参考訳（メタデータ） (2025-10-23T07:07:35Z)
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)
LecEval: An Automated Metric for Multimodal Knowledge Acquisition in Multimedia Learning [58.98865450345401]
本稿では,マイアーのマルチメディア学習認知理論に基礎を置く自動計量であるLecEvalを紹介する。 LecEvalは、コンテンツ関連(CR)、表現的明瞭度(EC)、論理構造(LS)、聴取エンゲージメント(AE)の4つのルーリックを用いて効果を評価する私たちは、50以上のオンラインコースビデオから2000以上のスライドからなる大規模なデータセットをキュレートします。
論文参考訳（メタデータ） (2025-05-04T12:06:47Z)
Managing Project Teams in an Online Class of 1000+ Students [19.36506075950085]
コンピュータサイエンス(CS)のチームプロジェクトは、学生がコラボレーションスキルを構築し、理論を適用し、現実世界のソフトウェア開発の準備をするのを助ける。オンライン授業は、大規模にCS教育のアクセシビリティを変革するユニークな機会を提供する。 200以上のプロジェクトチームに対して,コンストラクティブなフィードバックを管理し,評価し,提供するという,私たちのアプローチについて議論します。
論文参考訳（メタデータ） (2024-12-15T04:16:32Z)
A Large-Scale Study of Relevance Assessments with Large Language Models: An Initial Look [52.114284476700874]
本稿では,4つの異なる関連性評価手法が展開された大規模評価(TREC 2024 RAG Track)の結果について報告する。自動生成UMBRELA判定は、完全に手動による判断を置き換えて、実行レベルの有効性を正確に捉えることができる。意外なことに、LLMアシストは完全な手作業による評価と相関を増さないようで、人間のループプロセスに関連するコストは明らかな有意義な利益をもたらすものではないことを示唆している。
論文参考訳（メタデータ） (2024-11-13T01:12:35Z)
The Crowd in MOOCs: A Study of Learning Patterns at Scale [38.0172611348248]
2年以内に1.6万以上のコースに登録された0.8万のユニークな学習者の3100万の学習活動のデータセットを分析した。その結果,学習者の連続学習活動の時間間隔は,パワー・ローと周期的コサイン関数の分布の混合を呈することがわかった。これらの発見は、コース上の推薦タスクを含む多様体の応用を促進することを実証する。
論文参考訳（メタデータ） (2024-08-06T08:16:26Z)
End-to-end Learnable Clustering for Intent Learning in Recommendation [54.157784572994316]
我々は、アンダーラインELCRecと呼ばれる新しい意図学習手法を提案する。振る舞い表現学習をUnderlineEnd-to-end UnderlineLearnable UnderlineClusteringフレームワークに統合する。 1億3000万ページビューの産業レコメンデーションシステムに本手法をデプロイし,有望な結果を得る。
論文参考訳（メタデータ） (2024-01-11T15:22:55Z)
CodeHelp: Using Large Language Models with Guardrails for Scalable Support in Programming Classes [2.5949084781328744]
大規模言語モデル(LLM)が最近登場し、大規模なオンデマンドヘルプの提供を約束している。 CodeHelpは、ガードレールで設計された新しいLLMツールで、直接ソリューションを公開することなく、プログラミングの学生にオンデマンドで支援を提供する。以上の結果から,CodeHelpは特に有効性を高く評価し,誤りの解消に寄与する学生に好意的に受け入れられていることが示唆された。
論文参考訳（メタデータ） (2023-08-14T03:52:24Z)
Insights for post-pandemic pedagogy across one CS department [1.1756822700775666]
家庭・遠隔の大学生と大学院生を対象とする1つのコンピュータサイエンス学科について検討した。当科の利害関係者にインタビューを行い,全学生を対象に調査を行った。本事例では,教官が行ったことを概説し,教官や学生がこの時期の授業について何を言っているのかを概説する。
論文参考訳（メタデータ） (2022-03-17T03:14:52Z)
Self-Supervised Reinforcement Learning for Recommender Systems [77.38665506495553]
逐次リコメンデーションタスクのための自己指導型強化学習を提案する。提案手法は,2つの出力層を持つ標準レコメンデーションモデルを強化する。このようなアプローチに基づいて、自己監督型Q-ラーニング(SQN)と自己監督型アクター・クライブ(SAC)という2つのフレームワークを提案する。
論文参考訳（メタデータ） (2020-06-10T11:18:57Z)

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。