論文の概要: Automatic Classification of Pedagogical Materials against CS Curriculum Guidelines

• arxiv url: http://arxiv.org/abs/2602.03962v1
• Date: Tue, 03 Feb 2026 19:24:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.248047
• Title: Automatic Classification of Pedagogical Materials against CS Curriculum Guidelines
• Title（参考訳）: CSカリキュラムガイドラインに対する教育教材の自動分類
• Authors: Erik Saule, Kalpathi Subramanian, Razvan Bunescu,
• Abstract要約: プロの社会は、プログラムがコンテンツを国際標準に合わせるのを助けるためのカリキュラムガイドラインをしばしば発行する。 コンピュータサイエンスでは、主要な標準はACMとIEEEによって公開され、コンピュータサイエンスプログラムに含めるべきものと可能なものに関する詳細なガイドラインを提供する。 プログラム管理者は、CSプログラムによってどの程度のガイドラインがカバーされているかを評価することは困難である。 本稿では,自然言語処理技術を用いて処理を高速化する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Professional societies often publish curriculum guidelines to help programs align their content to international standards. In Computer Science, the primary standard is published by ACM and IEEE and provide detailed guidelines for what should be and could be included in a Computer Science program. While very helpful, it remains difficult for program administrators to assess how much of the guidelines is being covered by a CS program. This is in particular due to the extensiveness of the guidelines, containing thousands of individual items. As such, it is time consuming and cognitively demanding to audit every course to confidently mark everything that is actually being covered. Our preliminary work indicated that it takes about a day of work per course. In this work, we propose using Natural Language Processing techniques to accelerate the process. We explore two kinds of techniques, the first relying on traditional tools for parsing, tagging, and embeddings, while the second leverages the power of Large Language Models. We evaluate the application of these techniques to classify a corpus of pedagogical materials and show that we can meaningfully classify documents automatically.
• Abstract（参考訳）: プロの社会は、プログラムがコンテンツを国際標準に合わせるのを助けるためのカリキュラムガイドラインをしばしば発行する。 コンピュータサイエンスでは、主要な標準はACMとIEEEによって公開され、コンピュータサイエンスプログラムに含めるべきものと可能なものに関する詳細なガイドラインを提供する。 非常に役立つが、プログラム管理者がCSプログラムによってどの程度のガイドラインがカバーされているかを評価することは依然として困難である。 これは特にガイドラインの広範囲性のためであり、数千の個別項目が含まれている。 そのため、実際にカバーされているすべてのことを確実にマークするために、あらゆるコースを監査することを、時間と認知的に要求するのです。 予備的な作業は、コースごとに約1日かかります。 本研究では,自然言語処理技術を用いて処理を高速化する手法を提案する。 まず、パース、タグ付け、埋め込みのための従来のツールに依存し、次に、大規模言語モデルのパワーを活用します。 教育資料のコーパスを分類するためのこれらの手法の適用性を評価し,文書を自動的に有意義に分類できることを示す。

関連論文リスト

• No More Manual Guides: Automatic and Scalable Generation of High-Quality Excel Tutorials [63.10037761131196]
  既存のチュートリアルは、専門家が手作業で作成し、ソフトウェアリリース毎に頻繁な更新が必要で、相当なコストがかかる。 自然言語タスク記述から直接Excelチュートリアルを自動生成する最初のフレームワークを提案する。 我々のフレームワークは、最先端のベースラインよりもタスク実行の成功率を8.5%向上させる。
  論文  参考訳（メタデータ） (2025-09-26T03:21:39Z)
• Designing a Syllabus for a Course on Empirical Software Engineering [2.518416353853374]
  この章は、コース設計における第一かつ最も重要なステップであるシラバスの作成において、教育者を支援することを目的としている。 それはシラバスの基本的な構成要素、すなわちコース、コーストピック、実践的な課題のリストを提供する。 コースのトピックは、この本の後続の章にも関連付けられており、読者はこれらの章を深く掘り下げて、特定の研究方法や横断的なトピックを教えることを支援することができる。
  論文  参考訳（メタデータ） (2025-03-14T10:58:29Z)
• Integrating Human-Centric Approaches into Undergraduate Software Engineering Education: A Scoping Review and Curriculum Analysis in the Australian Context [0.0]
  ヒューマン・センター・ソフトウェア・エンジニアリング(Human-Centric Software Engineering)とは、人間の要求と要求をコア・プラクティスとするソフトウェア・エンジニアリング・プロセスを指す。 ソフトウェアプロジェクトの大部分が人的ニーズに対応できず、結果として予算やデリバリ、ユーザビリティの問題に陥ります。 本稿では,大学院ソフトウェア工学の学生にHCSEを教えるのに適したトピックとカリキュラムのアプローチを特定するためのスコーピング・レビューを提案する。
  論文  参考訳（メタデータ） (2024-07-10T02:34:58Z)
• Synthetic Data (Almost) from Scratch: Generalized Instruction Tuning for Language Models [153.14575887549088]
  GLAN(Generalized Instruction Tuning)は,Large Language Models(LLM)の汎用的かつスケーラブルなチューニング手法である。 GLANは、人間の知識と能力の事前分類を入力として利用し、あらゆる分野にわたる大規模な合成指導データを生成する。 サイラバスの全クラスセッションで詳述された、きめ細かい重要な概念により、私たちは、人間の知識とスキルの全範囲にわたって幅広い範囲をカバーする多様な命令を生成できる。
  論文  参考訳（メタデータ） (2024-02-20T15:00:35Z)
• Teacher Perception of Automatically Extracted Grammar Concepts for L2 Language Learning [66.79173000135717]
  本研究は、カンナダ語とマラティ語という2つのインドの言語教育に適用する。 我々は、形態素構文(単語順、一致、ケースマーキング、または単語形成の学習)と意味論(語彙の学習)に関する疑問に答える自然なテキストコーパスから記述を抽出する。 我々は,北米の学校から言語教育者の助けを借りて手作業による評価を行い,教材が授業の準備や学習者評価に利用できる可能性を見出した。
  論文  参考訳（メタデータ） (2023-10-27T18:17:29Z)
• Teacher Perception of Automatically Extracted Grammar Concepts for L2 Language Learning [91.49622922938681]
  本稿では,文法の異なる側面の記述を自動的に発見・可視化する自動フレームワークを提案する。 具体的には、形態素構文と意味論に関する疑問に答える自然なテキストコーパスから記述を抽出する。 この手法をインド語、カンナダ語、マラタイ語に応用するが、これは英語とは異なり、十分に発達した教育資源を持たない。
  論文  参考訳（メタデータ） (2022-06-10T14:52:22Z)
• Building an Effective Automated Assessment System for C/C++ Introductory Programming Courses in ODL Environment [0.0]
  学生の作業を評価する従来の方法は、時間と労力の両面で不十分になってきている。 遠隔教育環境では、多くの家庭教師を雇うための重厚な報酬の観点からも、こうした評価がさらに困難になる。 私たちは、効果的な自動評価システムを構築するのに必要な、さまざまなコンポーネントを特定します。
  論文  参考訳（メタデータ） (2022-05-24T09:20:43Z)
• Global Contentious Politics Database (GLOCON) Annotation Manuals [0.0]
  GLOCON Gold Standard Corpus (GSC) には、各焦点国からの複数の情報源からのニュース記事が掲載されている。 GSCの項目は、分類タスクと抽出タスクの両方において、熟練したアノテータによって手作業でコーディングされた。 この文書は、アノテータがニュース記事をコードするルールを定めている。
  論文  参考訳（メタデータ） (2022-05-17T13:16:50Z)
• CLICKER: A Computational LInguistics Classification Scheme for Educational Resources [47.48935730905393]
  科学的主題の分類スキームは、その知識の体系の概要を与える。 計算言語学(CL)と自然言語処理(NLP)には、CCSや数学科目分類(MSC)のような包括的分類体系は存在しない。 そこで本研究では,77の大学におけるオンライン講義の分析に基づいて,CL/NLPのCLICKERを分類する手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T02:40:43Z)
• ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
  本稿では,フィードバックを数発の分類として提供するという課題について考察する。 メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。 本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
  論文  参考訳（メタデータ） (2021-07-23T22:41:28Z)

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。