論文の概要: Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics

• arxiv url: http://arxiv.org/abs/2606.01375v1
• Date: Sun, 31 May 2026 18:05:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.670541
• Title: Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics
• Title（参考訳）: アクセスを超えて:大学生統計学における独立学習のためのガイド付きLLMスカッホールディング
• Abstract要約: 大規模言語モデル(LLM)は、学生の学習の実践にますます入り込んできている。 本研究では、割り当てられたアクセスと実際のインタラクション品質のギャップに焦点を当てる。
• 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: Large language models (LLMs) are increasingly entering students' learning practices, but their educational value depends on whether they support reasoning or enable task completion without engagement. This study examines guided LLM use in an undergraduate Probability and Statistics course, focusing on the gap between assigned access and actual interaction quality. In a four-week quasi-experimental summer program, students were organized into three balanced conditions: no LLM access, unrestricted LLM access, and guided LLM access. The guided condition used the same LLM platform as the unrestricted condition, but students received explicit training and rules promoting reasoning-focused help-seeking, stepwise hints, verification, and ethical use. All quizzes and the delayed final exam were completed without LLM or external assistance, allowing us to distinguish AI-supported practice performance from independent learning. Results show that guided use was associated with clearer learning-oriented interaction patterns than unrestricted access, especially in prioritizing reasoning over final answers and requesting stepwise support. Guided-LLM students showed stronger no-help quiz performance during the intervention phase, whereas unrestricted access appeared more useful for assisted practice completion than for consistently improving independent performance. Available time measures did not support a simple duration-based explanation, and self-assessment calibration suggested better alignment between perceived and demonstrated understanding in the Guided-LLM condition. Overall, LLM access alone appears to be an incomplete educational intervention. For Artificial Intelligence in Education (AIED), the central design challenge is to scaffold how students use LLMs so that these systems function as partners in reasoning rather than answer-getting tools.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、学生の学習の実践にますます入り込んでいるが、彼らの教育的価値は、推論をサポートするか、エンゲージメントなしでタスク完了を可能にするかに依存する。 本研究は,学部の確率・統計学コースにおけるLLMの指導的利用について検討し,割り当てられたアクセスと実際のインタラクション品質のギャップに着目した。 4週間の準実験的な夏のプログラムでは、学生は3つのバランスの取れた条件(LSMアクセスなし、制限なしLSMアクセスなし、LSMアクセス誘導)に分けられた。 指導条件は、制限されていない条件と同じLLMプラットフォームを使用していたが、学生は、推論に焦点を当てたヘルプ検索、ステップワイズヒント、検証、倫理的使用を促進する明示的なトレーニングとルールを受講した。 LLMを使わずに全てのクイズと最終試験が完了し、AIが支援する実践パフォーマンスと独立学習の区別が可能になった。 その結果, 指導的利用は, 制限のないアクセスよりも明確な学習指向のインタラクションパターンに関連付けられ, 特に最終回答に対する推論の優先順位付けや, 段階的支援の要求において顕著であった。 ガイド付きLLM学生は介入期間中に非ヘルプクイズ効果が強く,非制限アクセスは独立性の向上よりも練習完了に有用であった。 有効時間測定は、単純な持続時間に基づく説明をサポートしておらず、自己評価の校正は、ガイド・LLM条件における知覚と実証された理解の整合性の向上を示唆した。 全体として、LSMアクセスのみは教育介入の不完全なようだ。 AIED(Artificial Intelligence in Education)では、学生がLLMの使い方を足場にして、これらのシステムが解答ツールではなく推論のパートナとして機能するようにするのが中心的な設計課題である。

関連論文リスト

• Demystify, Use, Reflect, Assess (DURA): An Experience Report on LLM Integration in CS2 [11.901902742791357]
  大規模言語モデル(LLM)の使用を可能にするため、CS2コースを再構築する。 まず LLM をデミスティフィケートし, 必要な属性で使用指導を行った。 また,LLM使用に関する学生のメタ認知を促進するために,学期中3地点でLLM使用に関するリフレクションを加えた。
  論文  参考訳（メタデータ） (2026-06-29T20:57:52Z)
• Demystify, Use, Reflect: Preparing students to be informed LLM-users [12.70014939919203]
  このコースでは、構造化され、批判的、実践的な方法で、LLM(Large Language Models)を導入します。 それは、学生がAIと有意義かつ責任を持って関与するために必要なスキルを開発するのを助けることを目的としている。
  論文  参考訳（メタデータ） (2025-11-14T04:43:49Z)
• Can Large Language Models Help Students Prove Software Correctness? An Experimental Study with Dafny [75.55915044740566]
  コンピューティング教育の学生は、ChatGPTのような大きな言語モデル(LLM)をますます利用している。 本稿では,Dafny の形式的検証演習において,学生が LLM とどのように相互作用するかを検討する。
  論文  参考訳（メタデータ） (2025-06-27T16:34:13Z)
• LLM-Forest: Ensemble Learning of LLMs with Graph-Augmented Prompts for Data Imputation [50.375567142250446]
  巨大なコーパスで訓練された大規模言語モデル(LLM)は、データ生成に強い可能性を示している。 我々は,信頼度に基づく重み付け投票によって出力を集約した,数発のプロンプト学習 LLM ツリーの "フォレスト" を導入した新しいフレームワーク LLM-Forest を提案する。 このフレームワークは、2部情報グラフという新しい概念に基づいて構築され、特徴と値の粒度の両方で高品質な関連項目を識別する。
  論文  参考訳（メタデータ） (2024-10-28T20:42:46Z)
• Exploring Knowledge Tracing in Tutor-Student Dialogues using LLMs [49.18567856499736]
  本研究では,大規模言語モデル(LLM)が対話学習を支援することができるかどうかを検討する。 我々は,学習者の知識レベルを対話全体にわたって追跡するために,ラベル付きデータに知識追跡(KT)手法を適用した。 我々は,2つの学習対話データセットの実験を行い,従来のKT手法よりも学生の反応の正しさを予測できる新しいLCM-based method LLMKTが優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-24T22:31:39Z)
• Learning to Ask: When LLM Agents Meet Unclear Instruction [55.65312637965779]
  大きな言語モデル(LLM)は、言語スキルだけでは達成不可能なタスクに対処するための外部ツールを活用することができる。 我々は、不完全な命令下でのLLMツールの使用性能を評価し、エラーパターンを分析し、Noisy ToolBenchと呼ばれる挑戦的なツール使用ベンチマークを構築した。 Ask-when-Needed (AwN) という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-31T23:06:12Z)
• LLMs Could Autonomously Learn Without External Supervision [36.36147944680502]
  大規模言語モデル(LLM)は、伝統的に人間の注釈付きデータセットと事前定義されたトレーニング目標に結び付けられてきた。 本稿では,LLMのための自律学習手法を提案する。 本手法は, LLMに対して, 文章と直接対話して自己学習を行う能力を与える。
  論文  参考訳（メタデータ） (2024-06-02T03:36:37Z)
• Supporting Self-Reflection at Scale with Large Language Models: Insights from Randomized Field Experiments in Classrooms [7.550701021850185]
  本研究では,大規模言語モデル (LLMs) が学生の反省会後リフレクションに役立てる可能性について検討する。 大学コンピュータサイエンス科でランダムフィールド実験を2回行った。
  論文  参考訳（メタデータ） (2024-06-01T02:41:59Z)
• Toward Self-Improvement of LLMs via Imagination, Searching, and Criticizing [56.75702900542643]
  大規模言語モデルの自己改善のためのAlphaLLMを紹介する。 モンテカルロ木探索(MCTS)とLLMを統合し、自己改善ループを確立する。 実験の結果,AlphaLLM は付加アノテーションを使わずに LLM の性能を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2024-04-18T15:21:34Z)
• TRACE: A Comprehensive Benchmark for Continual Learning in Large Language Models [52.734140807634624]
  調整された大規模言語モデル(LLM)は、タスク解決、指示に従うこと、安全性を確保することにおいて、例外的な能力を示す。 既存の連続学習ベンチマークでは、LLMをリードする上で十分な課題が欠如している。 LLMにおける継続学習を評価するための新しいベンチマークであるTRACEを紹介する。
  論文  参考訳（メタデータ） (2023-10-10T16:38:49Z)
• AutoPlan: Automatic Planning of Interactive Decision-Making Tasks With Large Language Models [11.895111124804503]
  AutoPlanは、LCMベースのエージェントをガイドして、対話的な意思決定タスクを実現するアプローチである。 実験の結果,AutoPlanはベースラインと同等の成功率を達成した。
  論文  参考訳（メタデータ） (2023-05-24T11:52:23Z)

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。