論文の概要: "I Just Need GPT to Refine My Prompts": Rethinking Onboarding and Help-Seeking with Generative 3D Modeling Tools
- arxiv url: http://arxiv.org/abs/2603.29118v1
- Date: Tue, 31 Mar 2026 01:09:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-01 15:25:02.977984
- Title: "I Just Need GPT to Refine My Prompts": Rethinking Onboarding and Help-Seeking with Generative 3D Modeling Tools
- Title（参考訳）: I just need GPT to Refine my Prompts: Rethinking Onboarding and Help-Seeking with Generative 3D Modeling Tools
- Authors: Kanak Gautam, Poorvi Bhatia, Parmit K. Chilana,
- Abstract要約: 生成AIツールは、複雑なナビゲーションを自然言語プロンプトに置き換える。
本研究では,3次元モデリングのためのプロンプトベースツールにどのようにアプローチするかを観察研究により検討した。
生成的AIのコンテキストで異なるのは、彼らがサポートを求めている方法と理由だ。
- 参考スコア（独自算出の注目度）: 4.7664516965746335
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning to use feature-rich software is a persistent challenge, but generative AI tools promise to lower this barrier by replacing complex navigation with natural language prompts. We investigated how people approach prompt-based tools for 3D modeling in an observational study with 26 participants (14 casuals, 12 professionals). Consistent with earlier work, participants skipped tutorials and manuals, relying on trial and error. What differed in the generative AI context was how and why they sought support: the prompt box became the entry point for learning, collapsing onboarding into immediate action, while some casual users turned to external LLMs for prompts. Professionals used 3D expertise to refine iterations and critically evaluated outputs, often discarding models that did not meet their standards, whereas casual users settled for "good enough." We contribute empirical insights into how generative AI reshapes help-seeking, highlighting new practices of onboarding, recursive AI-for-AI support, and shifting expertise in interpreting outputs.
- Abstract（参考訳）: 機能豊富なソフトウェアを学習することは永続的な課題だが、生成可能なAIツールは、複雑なナビゲーションを自然言語のプロンプトに置き換えることで、この障壁を低くすることを約束する。
被験者26名 (カジュアル14名, プロ12名) を対象に, 即時3次元モデリングツールのアプローチについて検討した。
以前の作業と異なり、参加者は試行錯誤に頼ってチュートリアルやマニュアルをスキップした。
プロンプトボックスが学習のエントリーポイントとなり、オンボーディングが即時動作に崩壊する一方で、一部のカジュアルユーザはプロンプトのために外部のLLMに切り替えた。
専門家は3Dの専門知識を使って反復を洗練させ、出力を批判的に評価し、しばしば標準を満たさないモデルを破棄した。
我々は、生成的AIがいかに助けを求めるかに関する実証的な洞察を提供し、オンボーディング、再帰的なAI-for-AIサポート、アウトプットの解釈における専門知識のシフトの新たなプラクティスを強調します。
関連論文リスト
- Mitigating "Epistemic Debt" in Generative AI-Scaffolded Novice Programming using Metacognitive Scripts [0.0]
制限のないAIは、初心者にスキーマ形成に必要な固有の認知負荷をアウトソースするように促す。
成功しているビブコーダが自然に自己スケーリングを行い、契約者ではなくコンサルタントとしてAIを扱います。
今後の学習システムは,保守不能なコードの大量生産を防止するためにメタ認知摩擦を強制する必要がある。
論文 参考訳（メタデータ） (2026-02-22T21:25:04Z) - "Can you feel the vibes?": An exploration of novice programmer engagement with vibe coding [42.82674998306379]
ビブコーディング(vibe coding)とは、直接のコードオーサシップではなく、自然言語のプロンプトを通じてソフトウェアを作成することを指す。
本稿では、初心者プログラマと混合経験チームがどのようにバイブコーディングに関わるかを調査する1日間のハッカソンについて報告する。
論文 参考訳（メタデータ） (2025-12-02T13:32:23Z) - To Use or to Refuse? Re-Centering Student Agency with Generative AI in Engineering Design Education [14.581313362006272]
このパイロット研究は、シンガポール工科大学で500人以上の工学と建築の学生を登録する13週間の基礎設計コースにおける、AIの使用に関する学生の考察を辿るものである。
学生は、この技術がツール(インストラクショナルアシスタント)、チームメイト(共同パートナー)、あるいはその両方として使われたかどうかを振り返ることが求められた。
学生たちは、AIを単なる自動化ではなく、イノベーションのために使うことを学びました。
論文 参考訳（メタデータ） (2025-10-22T08:06:48Z) - Improving Large Language Models Function Calling and Interpretability via Guided-Structured Templates [56.73907811047611]
大規模言語モデル(LLM)は強力な推論とツール使用能力を示している。
LLMは、誤ったパラメータ化、悪いツールの選択、ユーザーの意図の誤解釈によって、現実世界のツールインタラクションで失敗することが多い。
我々は、構造化推論テンプレートを利用して、関数呼び出しを生成するためのより故意なステップバイステップ命令を通してLCMをガイドするカリキュラムに着想を得たフレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-22T17:55:14Z) - Enhancing tutoring systems by leveraging tailored promptings and domain knowledge with Large Language Models [2.5362697136900563]
ChatGPTやIntelligent Tutoring Systems(ITS)といったAI駆動のツールは、パーソナライゼーションと柔軟性を通じて、学習エクスペリエンスを向上している。
ITSは、個々の学習ニーズに適応し、生徒のパフォーマンス、認知状態、学習パスに基づいてカスタマイズされたフィードバックを提供する。
我々の研究は,大規模言語モデル(LLM)の迅速な工学化にRAG(Retrieval Augmented Generation)を介して,スキルアラインなフィードバックを組み込むことによって,これらのギャップに対処することを目的としている。
論文 参考訳（メタデータ） (2025-05-02T02:30:39Z) - Supporting Students' Reading and Cognition with AI [12.029238454394445]
私たちは124セッションのテキストをAIツールで分析し、ユーザの読書プロセスと認知的エンゲージメントを理解しました。
我々は、低レベルの認知タスクのための構造化足場を含む、将来のAI読解支援システムの設計意味について提案する。
私たちは、学生やインストラクターがAIで読書体験をカスタマイズできる適応的で人間的なループ機能を提案しています。
論文 参考訳（メタデータ） (2025-04-07T17:51:27Z) - Memento No More: Coaching AI Agents to Master Multiple Tasks via Hints Internalization [56.674356045200696]
本稿では,複雑なメモシステムや事前の高品質な実演データを必要としない,複数のタスクに対する知識とスキルを取り入れたAIエージェントの訓練手法を提案する。
このアプローチでは,エージェントが新たな経験を収集し,ヒントの形で人間から補正フィードバックを受け取り,このフィードバックを重みに組み込む,反復的なプロセスを採用している。
Llama-3をベースとしたエージェントに実装することで,数ラウンドのフィードバックの後,高度なモデルGPT-4oとDeepSeek-V3をタスクセットで性能向上させる手法の有効性を実証する。
論文 参考訳（メタデータ） (2025-02-03T17:45:46Z) - MONAI Label: A framework for AI-assisted Interactive Labeling of 3D
Medical Images [49.664220687980006]
注釈付きデータセットの欠如は、タスク固有の教師付き機械学習モデルをトレーニングする上で、大きなボトルネックとなる。
本稿では,人工知能(AI)モデルに基づくアプリケーション開発を支援する,フリーかつオープンソースなフレームワークであるmonAI Labelを紹介する。
論文 参考訳（メタデータ） (2022-03-23T12:33:11Z) - Soft Expert Reward Learning for Vision-and-Language Navigation [94.86954695912125]
VLN(Vision-and-Language Navigation)は、エージェントが自然言語の指示に従うことで、目に見えない環境で特定の場所を見つける必要がある。
本稿では,VLNタスクの工学的設計と一般化問題を克服するために,ソフトエキスパート・リワード・ラーニング(SERL)モデルを導入する。
論文 参考訳（メタデータ） (2020-07-21T14:17:36Z) - Explainable Active Learning (XAL): An Empirical Study of How Local
Explanations Impact Annotator Experience [76.9910678786031]
本稿では、最近急増している説明可能なAI(XAI)のテクニックをアクティブラーニング環境に導入することにより、説明可能なアクティブラーニング(XAL)の新たなパラダイムを提案する。
本研究は,機械教育のインタフェースとしてのAI説明の利点として,信頼度校正を支援し,リッチな形式の教示フィードバックを可能にすること,モデル判断と認知作業負荷による潜在的な欠点を克服する効果を示す。
論文 参考訳（メタデータ） (2020-01-24T22:52:18Z)
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。