論文の概要: Understanding Teacher Revisions of Large Language Model-Generated Feedback

• arxiv url: http://arxiv.org/abs/2603.27806v1
• Date: Sun, 29 Mar 2026 18:41:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.125174
• Title: Understanding Teacher Revisions of Large Language Model-Generated Feedback
• Title（参考訳）: 大規模言語モデル生成フィードバックの教師リビジョンの理解
• Authors: Conrad Borchers, Luiz Rodrigues, Newarney Torrezão da Costa, Cleon Xavier, Rafael Ferreira Mello,
• Abstract要約: 我々は117人の教師からAIによるフィードバックとそれに対応する教師による説明の1,349の事例を分析した。 教師は、約80%のケースで修正なしにAIフィードバックを受け取っているのに対し、編集されたフィードバックは大幅に長くなり、その後、教師によって短縮される傾向にある。 入力機能としてのAIフィードバックテキストのみに基づいてトレーニングされた機械学習モデルは、どのフィードバックが修正されるかを特定する上で、公正なパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 0.8039067099377077
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) increasingly generate formative feedback for students, yet little is known about how teachers revise this feedback before it reaches learners. Teachers' revisions shape what students receive, making revision practices central to evaluating AI classroom tools. We analyze a dataset of 1,349 instances of AI-generated feedback and corresponding teacher-edited explanations from 117 teachers. We examine (i) textual characteristics associated with teacher revisions, (ii) whether revision decisions can be predicted from the AI feedback text, and (iii) how revisions change the pedagogical type of feedback delivered. First, we find that teachers accept AI feedback without modification in about 80% of cases, while edited feedback tends to be significantly longer and subsequently shortened by teachers. Editing behavior varies substantially across teachers: about 50% never edit AI feedback, and only about 10% edit more than two-thirds of feedback instances. Second, machine learning models trained only on the AI feedback text as input features, using sentence embeddings, achieve fair performance in identifying which feedback will be revised (AUC=0.75). Third, qualitative coding shows that when revisions occur, teachers often simplify AI-generated feedback, shifting it away from high-information explanations toward more concise, corrective forms. Together, these findings characterize how teachers engage with AI-generated feedback in practice and highlight opportunities to design feedback systems that better align with teacher priorities while reducing unnecessary editing effort.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、学生に対して形式的なフィードバックを生成する傾向にあるが、教師がこのフィードバックを学習者に到達する前にどのように修正するかは分かっていない。 教師のリビジョンは、生徒が受け取るものを形作り、AI教室ツールの評価の中心となるリビジョンのプラクティスを作る。 我々は,117人の教師による,AIによるフィードバックとそれに対応する教師による説明のデータセットを分析した。 検討する 一 教師の校正に伴うテクストの特徴 (二)AIフィードバックテキストからリビジョン決定を予測できるかどうか、及び 三 フィードバックの成果の種類をどう変えていくか。 まず、教師は80%のケースで修正なしにAIフィードバックを受け取り、一方、編集されたフィードバックは大幅に長くなり、その後、教師によって短縮される傾向にある。 編集行動は教師によって大きく異なり、約50%はAIフィードバックを編集せず、10%はフィードバックインスタンスの3分の2以上を編集していない。 第2に、AIフィードバックテキストのみを入力特徴としてトレーニングした機械学習モデルは、文の埋め込みを使用して、どのフィードバックが修正されるかを特定する公正なパフォーマンスを達成する(AUC=0.75)。 第3に、質的なコーディングは、リビジョンが発生すると、教師がAIが生成したフィードバックを単純化し、より簡潔で修正された形式にシフトすることを示している。 これらの知見は、教師が実際にAIによって生成されたフィードバックにどのように関与するかを特徴付け、不要な編集作業を減らすとともに、教師の優先順位に適合したフィードバックシステムを設計する機会を強調している。

関連論文リスト

• AI-Mediated Feedback Improves Student Revisions: A Randomized Trial with FeedbackWriter in a Large Undergraduate Course [5.829384802817518]
  我々は,学生の知識集約エッセイに対するフィードバックを提供しながら,アシスタント(TA)にAI提案を生成するシステムであるFeedbackWriterを紹介し,展開する。 学生はランダムにTAから手書きのフィードバックを受けるか、AIによるフィードバックを受けるように割り当てられ、TAはFeedbackWriterから提案を受け取る。 その結果、AIによるフィードバックを受けた学生は、より高品質なリビジョンを実現し、TAがより多くのAI提案を採用するにつれて、向上することがわかった。
  論文  参考訳（メタデータ） (2026-02-18T19:33:56Z)
• Humanizing Automated Programming Feedback: Fine-Tuning Generative Models with Student-Written Feedback [21.114005575615586]
  我々は、人間が書いたものに近いフィードバックを生成するための言語モデルを微調整する手段として、学習者ソーシングを探求する。 学生による複数のプログラミング問題やバグジープログラムに対するフィードバックを約1,900件収集した。 この結果から,学習データに基づく微調整モデルでは,学生のフィードバックスタイルに適合するフィードバックが生成されるだけでなく,迅速なエンジニアリングによるフィードバックよりも精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2025-09-12T19:23:05Z)
• Exploring LLM-Generated Feedback for Economics Essays: How Teaching Assistants Evaluate and Envision Its Use [3.345149032274467]
  本研究は,AIによるフィードバックを人的インストラクターのフィードバック提供の迅速化と向上のための提案として活用する可能性を検討する。 学生のエッセイからフィードバックを得られるフィードバックエンジンを開発した。 我々は、20回の1時間のセッションで5つのTAでシンクアラウド研究を行い、AIのフィードバックを評価し、手書きのフィードバックとAIのフィードバックを対比させ、もし提案された場合、AIのフィードバックを使ってどのように想定するかを共有した。
  論文  参考訳（メタデータ） (2025-05-21T14:50:30Z)
• Stepwise Verification and Remediation of Student Reasoning Errors with Large Language Model Tutors [78.53699244846285]
  大規模言語モデル(LLM)は、高品質なパーソナライズされた教育を全員に拡大する機会を提供する。 LLMは、学生のエラーを正確に検知し、これらのエラーに対するフィードバックを調整するのに苦労する。 教師が学生の誤りを識別し、それに基づいて回答をカスタマイズする現実世界の教育実践に触発され、我々は学生ソリューションの検証に焦点をあてる。
  論文  参考訳（メタデータ） (2024-07-12T10:11:40Z)
• Improving the Validity of Automatically Generated Feedback via Reinforcement Learning [46.667783153759636]
  強化学習(RL)を用いた正当性と整合性の両方を最適化するフィードバック生成フレームワークを提案する。 具体的には、直接選好最適化(DPO)によるトレーニングのための拡張データセットにおいて、GPT-4のアノテーションを使用してフィードバックペアよりも好みを生成する。
  論文  参考訳（メタデータ） (2024-03-02T20:25:50Z)
• Constructive Large Language Models Alignment with Diverse Feedback [76.9578950893839]
  本稿では,大規模言語モデルのアライメント向上のための新しい手法として,コンストラクティブ・ディバース・フィードバック(CDF)を導入する。 我々は,簡単な問題に対する批判的フィードバック,中級問題に対する改善的フィードバック,難題に対する選好的フィードバックを利用する。 このような多様なフィードバックでモデルをトレーニングすることで、トレーニングデータの少ない使用でアライメント性能を向上させることができる。
  論文  参考訳（メタデータ） (2023-10-10T09:20:14Z)
• PapagAI:Automated Feedback for Reflective Essays [48.4434976446053]
  ドクティック理論をベースとして,ハイブリッドAIシステムとして実装された,初のオープンソース自動フィードバックツールを提案する。 本研究の主な目的は,学生の学習成果の向上と,講師の指導活動を補完することである。
  論文  参考訳（メタデータ） (2023-07-10T11:05:51Z)
• 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)
• Effects of Human vs. Automatic Feedback on Students' Understanding of AI Concepts and Programming Style [0.0]
  自動階調ツールの使用は、大規模な学部プログラミングコースにおいてほぼどこでも行われている。 コンピュータによるフィードバックと人間によるフィードバックを受け取った場合、生徒の成果を直接比較するデータは比較的不足している。 本稿では,90名の生徒を2つのフィードバックグループに分割し,2つのコホートのパフォーマンスの違いを分析することで,このギャップを解消する。
  論文  参考訳（メタデータ） (2020-11-20T21:40:32Z)

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。