論文の概要: Human-in-the-Loop Control of Objective Drift in LLM-Assisted Computer Science Education

• arxiv url: http://arxiv.org/abs/2604.00281v1
• Date: Tue, 31 Mar 2026 22:14:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.747472
• Title: Human-in-the-Loop Control of Objective Drift in LLM-Assisted Computer Science Education
• Title（参考訳）: LLM支援コンピュータサイエンス教育における対物ドリフトの対人制御
• Authors: Mark Dranias, Adam Whitley,
• Abstract要約: 本稿では,人間中心の姿勢を採用し,人間のループ制御を安定した教育問題として扱う。 私たちは、AI支援作業の安定化のために学生が構成する運用成果物として、目的と世界モデルを定義します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) are increasingly embedded in computer science education through AI-assisted programming tools, yet such workflows often exhibit objective drift, in which locally plausible outputs diverge from stated task specifications. Existing instructional responses frequently emphasize tool-specific prompting practices, limiting durability as AI platforms evolve. This paper adopts a human-centered stance, treating human-in-the-loop (HITL) control as a stable educational problem rather than a transitional step toward AI autonomy. Drawing on systems engineering and control-theoretic concepts, we frame objectives and world models as operational artifacts that students configure to stabilize AI-assisted work. We propose a pilot undergraduate CS laboratory curriculum that explicitly separates planning from execution and trains students to specify acceptance criteria and architectural constraints prior to code generation. In selected labs, the curriculum also introduces deliberate, concept-aligned drift to support diagnosis and recovery from specification violations. We report a sensitivity power analysis for a three-arm pilot design comparing unstructured AI use, structured planning, and structured planning with injected drift, establishing detectable effect sizes under realistic section-level constraints. The contribution is a theory-driven, methodologically explicit foundation for HITL pedagogy that renders control competencies teachable across evolving AI tools.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、AI支援プログラミングツールを通じてコンピュータサイエンス教育にますます組み込まれているが、そのようなワークフローは、しばしば客観的なドリフトを示し、そこでは、局所的に妥当な出力がタスク仕様から分岐する。 既存の命令応答は、ツール固有のプロンプトプラクティスを強調し、AIプラットフォームが進化するにつれて耐久性を制限する。 本稿では人間中心の姿勢を採用し、AIの自律性への転換段階ではなく、安定した教育問題として、HITL(Human-in-the-loop)制御を扱います。 システム工学と制御理論の概念に基づいて、学生がAI支援作業の安定化のために構成する運用成果物として、目的と世界モデルをモデル化する。 本稿では,実行から計画を明確に切り離し,受理基準とコード生成前のアーキテクチャ制約を規定するように学生に指導するパイロット・アンダースクールCSのカリキュラムを提案する。 選択された研究室では、このカリキュラムは意図的な、概念に沿ったドリフトを導入し、仕様違反の診断と回復をサポートする。 本稿では,非構造的AI利用,構造的計画,構造的計画の3腕パイロット設計に対する感度パワー分析を行い,現実的な区間レベルの制約の下で検出可能な効果サイズを確立する。 この貢献は、進化するAIツールで教えられる制御能力を示すHITL教育の理論的、方法論的に明確な基盤である。

関連論文リスト

• EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
  Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。 しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。 実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
  論文  参考訳（メタデータ） (2026-01-29T11:33:49Z)
• The Path Ahead for Agentic AI: Challenges and Opportunities [4.52683540940001]
  この章では、複雑な環境で自律的に動作するエージェントAIシステムの出現について考察する。 我々は、統計モデルからトランスフォーマーベースのシステムへのアーキテクチャの進歩を辿り、エージェントの振る舞いを可能にする能力を識別する。 既存の調査とは異なり、私たちは、言語理解から自律的な行動へのアーキテクチャの移行に注目し、デプロイ前に解決しなければならない技術的ギャップを強調します。
  論文  参考訳（メタデータ） (2026-01-06T06:31:42Z)
• Agentic AI in Remote Sensing: Foundations, Taxonomy, and Emerging Systems [9.388162021920206]
  この調査は、リモートセンシングにおけるエージェントAIの総合的なレビューである。 単一エージェントのコピロとマルチエージェントのシステムを区別した統合分類を導入する。 評価を画素レベルの精度から軌跡認識推論の正確性に移行する新しいベンチマークをレビューする。
  論文  参考訳（メタデータ） (2026-01-05T08:34:17Z)
• Embodied Robot Manipulation in the Era of Foundation Models: Planning and Learning Perspectives [101.22313265304979]
  近年のビジョン,言語,マルチモーダル学習の進歩は,ロボット基礎モデルの進歩を加速させている。 本研究は,ロボットの操作をアルゴリズムの観点から検討する。 我々は、近年の学習に基づくアプローチを、高レベルの計画と低レベルの制御の統一的な抽象化の中に整理する。
  論文  参考訳（メタデータ） (2025-12-28T16:05:38Z)
• Executable Analytic Concepts as the Missing Link Between VLM Insight and Precise Manipulation [70.8381970762877]
  VLM(Vision-Language Models)は、セマンティック推論とタスク計画において顕著な能力を示す。 本稿では,VLMに基づく推論を実行可能な解析概念を通じて基礎づける新しいフレームワークであるGRACEを紹介する。 G GRACEは高レベル命令理解と低レベルロボット制御の統一的で解釈可能なインターフェースを提供する。
  論文  参考訳（メタデータ） (2025-10-09T09:08:33Z)
• Autonomous Behavior Planning For Humanoid Loco-manipulation Through Grounded Language Model [6.9268843428933025]
  大規模言語モデル(LLM)は、意味情報の理解と処理のための強力な計画と推論能力を示している。 本稿では,ロボットが与えられたテキストによる指示の下で,自律的に動作や低レベル実行を計画できる新しい言語モデルベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-15T17:33:32Z)
• A Survey on Robotics with Foundation Models: toward Embodied AI [30.999414445286757]
  近年のコンピュータビジョン,自然言語処理,マルチモーダリティ学習の進歩は,基礎モデルが特定のタスクに対して超人的能力を持つことを示している。 この調査は、ロボット工学の基礎モデルの包括的で最新の概要を提供し、自律的な操作に焦点を当て、高レベルの計画と低レベルの制御を包含することを目的としている。
  論文  参考訳（メタデータ） (2024-02-04T07:55:01Z)
• Stabilizing Contrastive RL: Techniques for Robotic Goal Reaching from Offline Data [96.5899286619008]
  自己指導型学習は、制御戦略を学ぶのに必要な人間のアノテーションとエンジニアリングの労力を減らす可能性がある。 我々の研究は、強化学習(RL)自体が自己監督的な問題であることを示す先行研究に基づいている。 コントラスト学習に基づく自己教師付きRLアルゴリズムは,実世界の画像に基づくロボット操作タスクを解くことができることを示す。
  論文  参考訳（メタデータ） (2023-06-06T01:36:56Z)
• CausalWorld: A Robotic Manipulation Benchmark for Causal Structure and Transfer Learning [138.40338621974954]
  CausalWorldは、ロボット操作環境における因果構造と伝達学習のベンチマークである。 タスクは、ブロックのセットから3D形状を構築することで構成される。
  論文  参考訳（メタデータ） (2020-10-08T23:01:13Z)

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。