論文の概要: Measuring University Students Satisfaction with Traditional Search Engines and Generative AI Tools as Information Sources
- arxiv url: http://arxiv.org/abs/2601.00493v1
- Date: Thu, 01 Jan 2026 22:21:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-05 15:04:33.476524
- Title: Measuring University Students Satisfaction with Traditional Search Engines and Generative AI Tools as Information Sources
- Title（参考訳）: 情報ソースとしての従来の検索エンジンと生成AIツールによる大学生満足度の測定
- Authors: Brady D. Lund, Scott J. Warren, Zoe A. Teel,
- Abstract要約: 国際および学部生は、国内および大学院生よりもAIツールの満足度が有意に高かった。
AIツールを好んだ人は、他のソースを置き換えるのではなく、補完的な情報ソースと見なしているようだ。
- 参考スコア（独自算出の注目度）: 0.3823356975862005
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study examines university students levels of satisfaction with generative artificial intelligence (AI) tools and traditional search engines as academic information sources. An electronic survey was distributed to students at U.S. universities in late fall 2025, with 236 valid responses received. In addition to demographic information about respondents, frequency of use and levels of satisfaction with both generative AI and traditional search engines were measured. Principal components analysis identified distinct constructs of satisfaction for each information source, while k-means cluster analysis revealed two primary student groups: those highly satisfied with search engines but dissatisfied with AI, and those moderately to highly satisfied with both. Regression analysis showed that frequency of use strongly predicts satisfaction, with international and undergraduate students reporting significantly higher satisfaction with AI tools than domestic and graduate students. Students generally expressed higher levels of satisfaction with traditional search engines over generative AI tools. Those who did prefer AI tools appear to see them more as a complementary source of information rather than a replacement for other sources. These findings stress evolving patterns of student information seeking and use behavior and offer meaningful insights for evaluating and integrating both traditional and AI-driven information sources within higher education.
- Abstract（参考訳）: 本研究では,大学生のAIツールと従来の検索エンジンによる満足度を学術情報ソースとして検討する。
電子調査は2025年秋の終わりに米国大学の学生に配布され、236人の有効な回答が得られた。
回答者の人口統計情報に加えて、生成型AIと従来の検索エンジンの両方に対する使用頻度と満足度を測定した。
主成分分析では,各情報ソースに対する満足度は異なるが,k平均クラスタ分析では,検索エンジンに満足しているがAIに満足していない2つの主要な学生群と,満足度が高い2つの学生群が明らかになった。
回帰分析の結果,海外の学生や大学生は,国内学生や大学院生よりもAIツールの満足度が有意に高かった。
学生は一般的に、生成的AIツールよりも従来の検索エンジンの方が満足度が高い。
AIツールを好んだ人は、他のソースを置き換えるのではなく、補完的な情報ソースと見なしているようだ。
これらの知見は、学生の情報検索と利用行動の進化パターンを強調し、高等教育における従来の情報ソースとAI駆動の情報ソースの評価と統合に有意義な洞察を提供する。
関連論文リスト
- AgentIR: Reasoning-Aware Retrieval for Deep Research Agents [76.29382561831105]
ディープリサーチエージェントは、各検索の前に明示的な自然言語推論を生成する。
Reasoning-Aware Retrievalは、クエリと一緒にエージェントの推論トレースを埋め込む。
DR-Synthは、標準的なQAデータセットからDeep Researchレトリバーのトレーニングデータを生成する。
AgentIR-4Bは、オープンウェイトエージェントであるTongyi-DeepResearchで68%の精度を達成する。
論文 参考訳（メタデータ） (2026-03-04T18:47:26Z) - Auditing Student-AI Collaboration: A Case Study of Online Graduate CS Students [0.0]
生成AIは、学生が学術的なタスクを完遂する方法をますます形作る。
過度な自動化、学生機関の縮小、信頼できないあるいは幻覚的なアウトプットの可能性に関する懸念が続いている。
本研究は,学生とAIのコラボレーション嗜好の混合評価を行う。
論文 参考訳（メタデータ） (2026-01-13T16:21:54Z) - Impact of AI Tools on Learning Outcomes: Decreasing Knowledge and Over-Reliance [0.0]
あらゆるレベルの教育の学生は、課題を完了し、より高い試験スコアを達成するために、生成的人工知能(AI)ツールにますます依存している。
生成AIが学習結果に与える影響を調べるため、ブダペスト大学コービンス校で実験を行った。
主催者が設計を説明し、全ての参加者に平等な機会を創り出すために最善を尽くしたにもかかわらず、多くの学生は実験を大きな混乱だと認識した。
論文 参考訳（メタデータ） (2025-10-15T13:48:14Z) - From Web Search towards Agentic Deep Research: Incentivizing Search with Reasoning Agents [96.65646344634524]
推論とエージェント能力を備えた大規模言語モデル(LLM)は、エージェントディープリサーチ(Agenic Deep Research)と呼ばれる新しいパラダイムを取り入れている。
静的なWeb検索から,計画,探索,学習を行う対話型エージェントベースのシステムへの進化を辿ります。
我々はエージェントディープリサーチが既存のアプローチを著しく上回るだけでなく、将来の情報探索において支配的なパラダイムになることを実証する。
論文 参考訳（メタデータ） (2025-06-23T17:27:19Z) - Information Retrieval in the Age of Generative AI: The RGB Model [77.96475639967431]
本稿では,生成型AIツールの利用の増加に伴って生じる複雑な情報ダイナミクスについて,新たな定量的アプローチを提案する。
本稿では,新たなトピックに応答して情報の生成,索引付け,普及を特徴付けるモデルを提案する。
以上の結果から,AI導入の急激なペースとユーザ依存度の増加は,不正確な情報拡散のリスクを増大させる可能性が示唆された。
論文 参考訳（メタデータ） (2025-04-29T10:21:40Z) - Artificial Intelligence in Sports: Insights from a Quantitative Survey among Sports Students in Germany about their Perceptions, Expectations, and Concerns regarding the Use of AI Tools [0.0]
この写本は、ドイツのすべての学区のスポーツ学生による定量的調査の結果を提示している。
学生は、AIの普及が批判的な思考スキルを損なうことはないと自信を表明している。
学生は、盗作、講師の準備、彼らのスキルと将来のスキル開発に懸念を持っている。
論文 参考訳（メタデータ） (2025-02-27T05:37:53Z) - Future of Information Retrieval Research in the Age of Generative AI [61.56371468069577]
情報検索(IR)の急速に発展する分野では、大規模言語モデル(LLM)のような生成AI技術の統合が、情報の検索やインタラクションの方法を変えつつある。
このパラダイムシフトを認識したビジョンワークショップが2024年7月に開催され、生成AI時代のIRの将来について議論した。
本報告は、潜在的に重要な研究トピックとしての議論の要約を含み、学術、産業実践家、機関、評価キャンペーン、資金提供機関の推薦リストを含む。
論文 参考訳（メタデータ） (2024-12-03T00:01:48Z) - A dancing bear, a colleague, or a sharpened toolbox? The cautious adoption of generative AI technologies in digital humanities research [2.9822184411723645]
生成人工知能(GenAI)技術の出現は研究の状況を変えつつある。
本稿では、デジタル人文科学(DH)研究者が研究のためにGenAI技術をどのように採用し、批判的に評価するかを考察する。
論文 参考訳（メタデータ） (2024-04-18T18:33:00Z) - AI-Tutoring in Software Engineering Education [0.7631288333466648]
我々は,GPT-3.5-TurboモデルをAI-TutorとしてAPASアルテミスに組み込むことで,探索的なケーススタディを行った。
この発見は、タイムリーなフィードバックやスケーラビリティといった利点を浮き彫りにしている。
しかし,AI-Tutor を用いた場合,一般的な応答や学習進行抑制に対する学生の懸念も明らかであった。
論文 参考訳（メタデータ） (2024-04-03T08:15:08Z) - Students' interest in knowledge acquisition in Artificial Intelligence [0.0]
学生は、その傾向、適用性、その主題に対する情熱と関心、将来の成長の可能性、高い給与のために、人工知能に興味を持っている。
学生が楽しまなかった最も一般的な部分は、人工知能で使われる数学的側面であった。
そのうちのいくつかは、否定的な目的のために非倫理的な方法で使用できる人工知能の可能性にも気づいていた。
論文 参考訳（メタデータ） (2023-11-26T14:13:53Z) - A Comprehensive Survey of AI-Generated Content (AIGC): A History of
Generative AI from GAN to ChatGPT [63.58711128819828]
ChatGPTおよびその他の生成AI(GAI)技術は、人工知能生成コンテンツ(AIGC)のカテゴリに属している。
AIGCの目標は、コンテンツ作成プロセスをより効率的かつアクセスしやすくし、高品質なコンテンツをより高速に生産できるようにすることである。
論文 参考訳（メタデータ） (2023-03-07T20:36:13Z) - Human-Centric Multimodal Machine Learning: Recent Advances and Testbed
on AI-based Recruitment [66.91538273487379]
人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。
i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
論文 参考訳（メタデータ） (2023-02-13T16:44:44Z)
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。