論文の概要: Knowledge Markers: An AI-Agnostic Concept for the Design of Programming Courses
- arxiv url: http://arxiv.org/abs/2604.06331v1
- Date: Tue, 07 Apr 2026 18:13:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-09 17:30:51.171602
- Title: Knowledge Markers: An AI-Agnostic Concept for the Design of Programming Courses
- Title（参考訳）: 知識マーカー:プログラミングコースの設計のためのAIに依存しない概念
- Authors: Christina Maria Mayr,
- Abstract要約: 本稿では、AIに依存しないコースレベルのコース設計のための軽量な知識マーカーとして、知識マーカーを提供する。
オープンティーチングアーティファクトにラベルをきめ細かい粒度で埋め込む方法を示す。
導入プログラミングコースを分析し,再設計し,記述的に評価することで,そのアプローチを実証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative AI enables students to produce plausible code quickly. Producing working code is therefore no longer a reliable indicator of understanding. This is particularly problematic in non-computer-science programmes, where time constraints make it hard to balance conceptual foundations with sufficient application practice. Empirical studies of AI tutors, educational chatbots, and code-assistance systems report useful but often case-specific findings, while learning theory remains too abstract to directly guide course design. As a result, instructors lack a simple, reusable way to make learning intent explicit and translate it into concrete teaching structures and student learning behaviour. This paper contributes knowledge markers as a lightweight, AI-agnostic, course-level operationalisation for course design. The markers label learning units by their primary emphasis: (A) Application knowledge (implementation), (S) Structure knowledge (concepts and mental models), or (P) Procedure knowledge (systematic methods, decision making, and verification). We show how the labels can be embedded at fine granularity in open teaching artifacts (interactive website, PDF script, and notebooks), paired with communication elements and optional AI-usage guidance. We demonstrate the approach by analysing, redesigning, and descriptively evaluating an introductory programming course using marker distributions derived from the table of contents. The paper is design- and artifact-oriented and does not claim measured learning gains; empirical evaluation is future work.
- Abstract（参考訳）: ジェネレーティブAIは、学生がプラルーシブルなコードを素早く作成することを可能にする。
したがって、動作するコードを作成することは、もはや理解の信頼できる指標ではない。
これは、時間制約が概念の基礎と十分な応用実践とのバランスを難しくする非コンピュータサイエンスプログラムにおいて特に問題となる。
AI家庭教師、教育チャットボット、コードアシストシステムの実証研究は、役に立つがケース固有の発見を報告しているが、学習理論はコースデザインを直接導くには抽象的すぎる。
その結果、インストラクターは、学習意図を明確にし、具体的な教育構造や生徒の学習行動に変換する、シンプルで再利用可能な方法を欠いている。
本稿では、AIに依存しないコースレベルのコース設計のための軽量な知識マーカーとして、知識マーカーを提供する。
A) アプリケーション知識(実装),(S) 構造知識(概念と精神モデル),(P) 手続き知識(体系的手法,意思決定,検証)。
オープンな教育成果物(インタラクティブWebサイト、PDFスクリプト、ノートブック)にラベルを細粒度に埋め込む方法を示し、コミュニケーション要素とオプションのAI利用指導との組み合わせを示す。
コンテンツ表から導出したマーカー分布を用いて、導入プログラミングコースの分析、再設計、記述的評価を行うことにより、そのアプローチを実証する。
論文は設計とアーティファクト指向であり、測定された学習の利益を主張するものではない。
関連論文リスト
- Instructor-Aligned Knowledge Graphs for Personalized Learning [18.405486267157247]
InstructKGはインストラクターによる知識グラフを自動的に構築するフレームワークである。
InstructKGはノードとして重要な概念を抽出し、有向エッジとして学習依存を推論する。
InstructKGは、リッチでインストラクターに準拠した学習の進捗をキャプチャする。
論文 参考訳（メタデータ） (2026-02-19T06:15:10Z) - Ensuring Computer Science Learning in the AI Era: Open Generative AI Policies and Assignment-Driven Written Quizzes [0.0]
本稿では、家庭内プログラミングの課題に生成AIを使用できるアセスメントモデルを提案する。
真正学習を促進するために、クラス内のクローズドブックアセスメントは課題そのものよりも重み付けされている。
統計分析の結果,GenAI使用率と評価結果との間に有意な線形相関は認められなかった。
論文 参考訳（メタデータ） (2026-01-16T17:02:44Z) - "I Like That You Have to Poke Around": Instructors on How Experiential Approaches to AI Literacy Spark Inquiry and Critical Thinking [0.5872014229110213]
本稿では,実世界のシナリオに根ざしたインタラクティブな非コードプロジェクトを通じて,コアAI概念を教えるモジュール型WebベースのカリキュラムであるAI Userの研究成果を紹介する。
コミュニティカレッジのインストラクター15人が、構造化されたフォーカスグループに参加し、学習者としてプロジェクトを完了し、個々のリフレクションやグループディスカッションを通じてフィードバックを提供した。
調査課題に対するインストラクターの評価、ロールベースシミュレーション、実世界の妥当性、さらには多様な学習者に対する認知的負荷、指導、適応性に関する設計上のトレードオフを浮き彫りにしている。
論文 参考訳（メタデータ） (2025-11-07T17:05:58Z) - Knowledge Tagging System on Math Questions via LLMs with Flexible Demonstration Retriever [48.5585921817745]
大きな言語モデル(LLM)は知識タグ付けタスクを自動化するために使われる。
算数問題における知識タグ付けタスクに対するゼロショットと少数ショットの結果の強い性能を示す。
強化学習に基づくデモレトリバーの提案により,異なるサイズのLLMの潜在能力を活用できた。
論文 参考訳（メタデータ） (2024-06-19T23:30:01Z) - A Knowledge-Injected Curriculum Pretraining Framework for Question Answering [70.13026036388794]
本稿では,知識に基づく質問応答タスクの総合的なKG学習と活用を実現するための一般知識注入型カリキュラム事前学習フレームワーク(KICP)を提案する。
KIモジュールはまずKG中心の事前学習コーパスを生成してLMに知識を注入し、プロセスを3つの重要なステップに一般化する。
KAモジュールは、アダプタを備えたLMで生成されたコーパスから知識を学習し、元の自然言語理解能力を維持できる。
CRモジュールは人間の推論パターンに従って3つのコーパスを構築する。
論文 参考訳（メタデータ） (2024-03-11T03:42:03Z) - Knowledge Tracing Challenge: Optimal Activity Sequencing for Students [0.9814642627359286]
知識追跡(きゅうがく、英: Knowledge Trace)は、個々の学習者による知識の獲得を評価・追跡する教育において用いられる手法である。
我々は,AAAI2023 Global Knowledge Tracing Challengeの一環として,新たにリリースされたデータセット上に2つの知識追跡アルゴリズムを実装した結果を示す。
論文 参考訳（メタデータ） (2023-11-13T16:28:34Z) - Knowledgeable Salient Span Mask for Enhancing Language Models as
Knowledge Base [51.55027623439027]
我々は、モデルが構造化されていないテキストから、完全に自己教師された方法でより多くの知識を学習するのを助ける2つのソリューションを開発する。
最高の知識を得るために、私たちは、継続的事前学習における知識の完全な自己教師型学習を初めて探求します。
論文 参考訳（メタデータ） (2022-04-17T12:33:34Z) - Symbolic AI for XAI: Evaluating LFIT Inductive Programming for Fair and
Explainable Automatic Recruitment [11.460075612587591]
我々は,与えられたブラックボックスシステムと同等の命題論理理論を学習するICP手法を提案する。
本稿では,この問題に対するLFITの表現性を示し,他の領域に適用可能なスキームを提案する。
論文 参考訳（メタデータ） (2020-12-01T09:36:59Z) - The ILASP system for Inductive Learning of Answer Set Programs [79.41112438865386]
我々のシステムは、通常の規則、選択規則、厳しい制約を含むアンサーセットプログラムを学習する。
まず、ILASPの学習フレームワークとその機能の概要を説明します。
続いて、ILASPシステムの進化を概観する。
論文 参考訳（メタデータ） (2020-05-02T19:04:12Z) - 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。