論文の概要: Beyond AI Delegation: A Prompt Pattern Framework for Productive Struggle and Evaluative Judgement in Secure Coding Education
- arxiv url: http://arxiv.org/abs/2605.24447v1
- Date: Sat, 23 May 2026 07:35:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:18.062018
- Title: Beyond AI Delegation: A Prompt Pattern Framework for Productive Struggle and Evaluative Judgement in Secure Coding Education
- Title（参考訳）: AIデリゲーションを超えて - セキュアコーディング教育におけるプロンプトパターンフレームワークと評価的判断
- Authors: Philipp Haindl, Oliver Eigner, Peter Kieseberg,
- Abstract要約: 大規模な言語モデルは、学生が自動システムに書き込み、分析、問題解決を委譲しやすくする。
我々は,GenAIが価値ある認知的要求をなくすことなく,教育者がGenAIをコースに維持するのに役立つ実践的な枠組みを導入する。
- 参考スコア（独自算出の注目度）: 0.45706494756895794
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models make it easy for students to delegate writing, analysis, and problem-solving to automated systems, bypassing the effortful engagement that produces lasting understanding. We introduce a practical framework that helps educators keep GenAI in the course without removing the cognitive demands that make it worthwhile. We apply Design Science Research (DSR) to synthesise and adapt a taxonomy of nine prompt engineering patterns from established catalogs in the computer science literature, mapped to two pedagogical constructs: Productive Struggle and Evaluative Judgement. A course design for an Advanced Secure Coding module, structured using the DELTA framework, demonstrates the artifact's applicability. Nine prompt patterns, each mapped to a specific pedagogical function, give instructors fine-grained control over how students interact with AI. The secure coding design shows how three patterns (Flipped Interaction, Alternative Approaches, and Cognitive Verifier) scaffold vulnerability discovery and remediation while keeping students in the reasoning role. The framework provides a replicable approach to designing AI-augmented learning experiences that preserve student reasoning, and establishes a structured basis for future empirical evaluation in live course settings.
- Abstract（参考訳）: 大規模な言語モデルは、学生が文章、分析、問題解決を自動化システムに委譲しやすくし、持続的な理解を生み出す努力的なエンゲージメントを回避します。
我々は,GenAIが価値ある認知的要求をなくすことなく,教育者がGenAIをコースに維持するのに役立つ実践的な枠組みを導入する。
本稿では,DSR(Design Science Research)を用いて,コンピュータサイエンス文献の確立したカタログから,9つの素早いエンジニアリングパターンの分類と適応を行う。
DELTAフレームワークを使って構築されたAdvanced Secure Codingモジュールのコース設計は、アーティファクトの適用性を示している。
9つのプロンプトパターンは、それぞれ特定の教育機能にマッピングされ、インストラクターが生徒がAIと対話する方法を細かく制御する。
セキュアなコーディング設計は、学生を推論の役割に保ちながら、3つのパターン(フラッピングインタラクション、代替アプローチ、認知検証)の足場脆弱性の発見と修復方法を示している。
このフレームワークは、学生の推論を保存するAI強化学習体験を設計するためのレプリカ可能なアプローチを提供し、ライブコース設定における将来の経験的評価のための構造化された基盤を確立する。
関連論文リスト
- Interpretable Difficulty-Aware Knowledge Tracing in Tutor-Student Dialogues [46.915280360954576]
大規模言語モデル(LLM)上に構築された難易度を考慮した対話型KTフレームワークを提案する。
このフレームワークは、学生の知識状態と今後のターンの難しさを推定するために、原文質問と次のチューター提案タスクを組み込んだものである。
学習者/学生の対話データセットを2つ評価する。
論文 参考訳（メタデータ） (2026-05-01T21:07:24Z) - Knowledge Markers: An AI-Agnostic Concept for the Design of Programming Courses [0.0]
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。
論文 参考訳（メタデータ） (2026-04-07T18:13:40Z) - Synergizing Understanding and Generation with Interleaved Analyzing-Drafting Thinking [154.2388970262703]
Unified Vision-Language Models (UVLM) は、単一のフレームワーク内での理解と生成の両方をサポートすることで、マルチモーダル学習を促進することを目的としている。
本稿では,解析処理と起案処理を交互に行う新たな思考パラダイムである,インターリーブド・アナライジング・ドレイティング問題解決ループ(AD-Loop)を紹介する。
テキスト思考を視覚的思考とインターリーブすることで、AD-Loopはモデルが理解と出力の両方を反復的に洗練し、真のシナジーを育むことができる。
論文 参考訳（メタデータ） (2026-02-24T23:26:09Z) - The Vibe-Check Protocol: Quantifying Cognitive Offloading in AI Programming [5.584060970507507]
Vibe Coding'は、開発者が自然言語を通じてハイレベルな意図を明確に表現し、AIエージェントに実装を委譲するパラダイムである。
本稿では,ソフトウェア工学の学習方法としてテキストIs Vibe Codingが優れているか,という研究課題を解明するための理論的枠組みを提案する。
論文 参考訳（メタデータ） (2026-01-02T06:13:41Z) - From Pilots to Practices: A Scoping Review of GenAI-Enabled Personalization in Computer Science Education [0.6372261626436676]
生成AIは、大規模にパーソナライズされたコンピュータサイエンス教育を可能にするが、そのようなパーソナライゼーションが学習を阻害するかどうかについては疑問が残る。
このスコーピングレビューは、259レコードから純粋にサンプリングされた32の研究を合成し、マップのパーソナライズ機構と効果信号を生成する。
インテリジェントなチューター、パーソナライズされた素材、フォーマティブなフィードバック、AI強化されたアセスメント、コードレビューの5つのアプリケーションドメインを特定し、デザインの選択が学習結果をどのように形成するかを分析します。
論文 参考訳（メタデータ） (2025-12-23T19:20:34Z) - SocraticAI: Transforming LLMs into Guided CS Tutors Through Scaffolded Interaction [0.0]
本稿では,大規模言語モデル(LLM)を学部コンピュータサイエンス教育に統合した足場型AI学習システムであるSocraticAIを紹介する。
このシステムは、ソクラティックな対話の足場を提供しながら、よく構造化された質問、反射的エンゲージメント、日々の使用制限を実行する。
最初の展開は、学生が2～3週間以内に曖昧なヘルプシーキングから高度な問題解決へと進むことを示す。
論文 参考訳（メタデータ） (2025-12-03T06:49:32Z) - Designing LMS and Instructional Strategies for Integrating Generative-Conversational AI [0.0]
本研究では,AIを活用した学習管理システムを構築するための構造化フレームワークを提案する。
生成AIと会話AIを統合し、適応的でインタラクティブで学習者中心の教育をサポートする。
論文 参考訳（メタデータ） (2025-08-31T06:01:50Z) - KERAIA: An Adaptive and Explainable Framework for Dynamic Knowledge Representation and Reasoning [46.85451489222176]
KERAIAはシンボリックナレッジエンジニアリングのための新しいフレームワークとソフトウェアプラットフォームである。
動的で複雑でコンテキストに敏感な環境で知識を表現、推論、実行するという永続的な課題に対処する。
論文 参考訳（メタデータ） (2025-05-07T10:56:05Z) - Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である
本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
論文 参考訳（メタデータ） (2023-12-22T17:57:57Z) - Option-Aware Adversarial Inverse Reinforcement Learning for Robotic
Control [44.77500987121531]
階層的模倣学習 (Hierarchical Imitation Learning, HIL) は, 長期作業における複雑度の高い動作を, 専門家による実証から再現するために提案されている。
逆逆強化学習に基づく新しいHILアルゴリズムを開発した。
また,目的をエンド・ツー・エンドで学習するための変分オートエンコーダフレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-05T00:28:26Z) - A general framework for scientifically inspired explanations in AI [76.48625630211943]
我々は、AIシステムの説明を実装可能な一般的なフレームワークの理論的基盤として、科学的説明の構造の概念をインスタンス化する。
このフレームワークは、AIシステムの"メンタルモデル"を構築するためのツールを提供することを目的としている。
論文 参考訳（メタデータ） (2020-03-02T10:32:21Z)
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。