論文の概要: Prediction Model of Motivators and Demotivators of Integrating Large Language Models in Software Engineering Education: An Empirical Study

• arxiv url: http://arxiv.org/abs/2605.09393v2
• Date: Sun, 17 May 2026 09:16:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 23:51:08.233793
• Title: Prediction Model of Motivators and Demotivators of Integrating Large Language Models in Software Engineering Education: An Empirical Study
• Title（参考訳）: ソフトウェア工学教育における大規模言語モデル統合のモチベータとモチベータの予測モデル:実証的研究
• Authors: Maryam Khan, Muhammad Azeem Akbar, Jussi Kasurinen, Estefanía Martín-Barroso,
• Abstract要約: 大規模言語モデル(LLM)は、ソフトウェアエンジニアリングの実践と教育にますます影響を与えています。 本研究は,LLMをソフトウェア工学教育に組み込むための費用対効果戦略の予測モデルを開発し,検証する。
• 参考スコア（独自算出の注目度）: 0.9549646359252346
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Context: Large Language Models (LLMs) are increasingly influencing software engineering practice and education. While prior studies examine their technical performance and classroom use, limited research provides cost-aware and empirically grounded models for systematic institutional integration. Objective: This study develops and validates a prediction model to identify cost-efficient strategies for integrating LLMs into software engineering education using motivating and demotivating factors. Method: Based on our previously developed literature survey taxonomies [1], we operationalized 19 validated factors (9 motivators and 10 demotivators) into a structured survey completed by 126 stakeholders from multiple countries. Likert-scale responses were encoded and used to train probabilistic models (Naive Bayes and Logistic Regression) to estimate the likelihood of high LLM familiarity. The probability estimates were integrated into a Genetic Algorithm (GA)-based optimization framework to model trade-offs between predicted familiarity and implementation cost at global and category levels. Results: Respondents perceived strong benefits in Programming Assistance and Debugging Support and Personalized and Adaptive Learning. Major concerns included Plagiarism and Intellectual Property Concerns, Over-Reliance on AI in Learning, and Reduced Critical Thinking and Problem Solving. Optimization results indicate that governance-related mechanisms, particularly integrity and ethical safeguards, should be prioritized under cost constraints. Conclusions: The study introduces an optimization-informed decision support framework linking stakeholder perceptions with probabilistic modeling and cost-effort analysis. The model supports staged and cost-aware LLM integration grounded in governance stability and pedagogically meaningful development.
• Abstract（参考訳）: コンテキスト: 大規模言語モデル(LLM)は、ソフトウェアエンジニアリングの実践と教育にますます影響を与えています。 先行研究は技術性能と教室利用について検討するが、限定的な研究は、体系的な制度統合のための費用対効果と経験に基づくモデルを提供する。 目的: 本研究は, 動機づけと復調要因を用いたソフトウェア工学教育にLLMを統合するための費用対効果戦略の予測モデルを開発し, 検証する。 方法: これまで開発した文献調査から, 複数国の利害関係者126名による構造化調査に, 19因子(モチベータ9名, デモチベータ10名)を運用した。 等級の応答を符号化し、確率モデル(ナイーブベイズとロジスティック回帰)を訓練し、高いLCM習熟度を推定した。 確率推定は遺伝的アルゴリズム(GA)に基づく最適化フレームワークに統合され、予測された親しみとグローバルレベルとカテゴリレベルの実装コストの間のトレードオフをモデル化した。 結果: 回答者は、プログラミング支援とデバッグのサポート、パーソナライズされ適応的な学習において、大きなメリットを感じた。 主な関心事は、プラジャリズムと知的財産問題、学習におけるAIへの過度な信頼、批判的思考と問題解決の削減である。 最適化の結果は、ガバナンスに関連するメカニズム、特に整合性と倫理的保護は、コスト制約の下で優先順位付けされるべきであることを示している。 結論:本研究では,利害関係者の認識と確率的モデリングと費用対効果分析を結びつける,最適化インフォームド意思決定支援フレームワークを導入する。 このモデルは、ガバナンスの安定性と教育学的に意味のある開発に基礎を置いて、段階的かつコストを意識したLLM統合をサポートします。

関連論文リスト

• Evaluating 21st-Century Competencies in Postsecondary Curricula with Large Language Models: Performance Benchmarking and Reasoning-Based Prompting Strategies [6.934935343001595]
  我々は、幅広いカリキュラム文書、能力フレームワーク、モデルを調べることで、以前のカリキュラム分析研究を拡張した。 カリキュラムのアライメントスコアを手動で7,600点を用いて評価した。 我々はLLMの教育的推論を強化するための推論に基づくプロンプト戦略であるCurricular CoTを導入する。
  論文  参考訳（メタデータ） (2026-01-16T04:07:23Z)
• Analytical Survey of Learning with Low-Resource Data: From Analysis to Investigation [192.53529928861818]
  高リソースデータによる学習は人工知能(AI)において大きな成功を収めた しかし、データアノテーションやモデルトレーニングに関連するコストは依然として大きい。 本調査では,低リソースデータからの学習に伴う一般化誤差とラベル複雑性を分析するために,アクティブサンプリング理論を用いた。
  論文  参考訳（メタデータ） (2025-10-10T03:15:42Z)
• Enhancing Credit Risk Prediction: A Meta-Learning Framework Integrating Baseline Models, LASSO, and ECOC for Superior Accuracy [7.254744067646655]
  本研究では,複数の相補的モデルを合成する包括的メタラーニングフレームワークを提案する。 我々は,全ての構成モデルにまたがる予測クラスに対して,置換特徴重要度分析を実装した。 その結果,我々の枠組みは,財務組織分類の精度を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2025-09-26T14:09:04Z)
• Evaluating Large Language Models for Financial Reasoning: A CFA-Based Benchmark Study [1.6770212301915661]
  本研究は,CFAのレベルI-IIIにおける公式モック試験から得られた1,560件のマルチチョイス質問を用いて,最先端LCMの総合評価を行った最初の事例である。 主設計上の優先事項として,マルチモーダル・計算能力,推論・特殊化・高精度化,軽量な効率最適化といったモデルを比較した。
  論文  参考訳（メタデータ） (2025-08-29T06:13:21Z)
• A Survey on Post-training of Large Language Models [185.51013463503946]
  大規模言語モデル(LLM)は、自然言語処理を根本的に変革し、会話システムから科学的探索まで、さまざまな領域で欠かせないものにしている。 これらの課題は、制限された推論能力、倫理的不確実性、最適なドメイン固有のパフォーマンスといった欠点に対処するために、先進的な訓練後言語モデル(PoLM)を必要とする。 本稿では,タスク固有の精度を向上するファインチューニング,倫理的コヒーレンスと人間の嗜好との整合性を保証するアライメント,報酬設計の課題によらず多段階の推論を進める推論,統合と適応の5つのパラダイムを体系的に追跡したPoLMの総合的な調査について述べる。
  論文  参考訳（メタデータ） (2025-03-08T05:41:42Z)
• An Overview of Large Language Models for Statisticians [109.38601458831545]
  大規模言語モデル(LLM)は人工知能(AI)の変換ツールとして登場した。 本稿では, 統計学者がLLMの開発に重要な貢献できる可能性について考察する。 我々は不確実性定量化、解釈可能性、公正性、プライバシー、透かし、モデル適応といった問題に焦点を当てる。
  論文  参考訳（メタデータ） (2025-02-25T03:40:36Z)
• Advancing Investment Frontiers: Industry-grade Deep Reinforcement Learning for Portfolio Optimization [0.0]
  本研究は,資産クラスポートフォリオ最適化におけるDeep Reinforcement Learning(DRL)の適用について検討する。 このフレームワークの核心は、高度なDRLアルゴリズムと現代的な計算技法を融合する堅牢なフレームワークです。 研究は、独自の強化学習エージェントであるAlpharNetの導入で頂点に達した。
  論文  参考訳（メタデータ） (2024-02-27T14:08:31Z)
• A Survey of Contextual Optimization Methods for Decision Making under Uncertainty [47.73071218563257]
  この記事では、データからポリシーを学ぶための3つの主要なフレームワークを特定し、その強みと限界について論じる。 統一的な表記と用語の下で既存のモデルとメソッドを示し、これらを3つの主要なフレームワークに従って分類する。
  論文  参考訳（メタデータ） (2023-06-17T15:21:02Z)

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。