論文の概要: AI-Generated Traces for Novice Programmers: Learning Effects and Learner Differences in a Multi-Institutional Study

• arxiv url: http://arxiv.org/abs/2606.03288v1
• Date: Tue, 02 Jun 2026 07:51:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.847909
• Title: AI-Generated Traces for Novice Programmers: Learning Effects and Learner Differences in a Multi-Institutional Study
• Title（参考訳）: 初心者プログラマのためのAI生成トレース:多施設学習における学習効果と学習者差
• Authors: Yuri Noviello, Naaz Sibia, Anastasiia Birillo, Thomas Overklift Vaupel Klein, Michael Liut, Gosia Migut,
• Abstract要約: GAT(Generated Animated Traces)を提案する。 GATは、ソースコード、実行状態、概念的なアナロジーをコーディネートするAI生成のアナログベースのナレーションアニメーションである。 即時学習のパフォーマンスと経験、コース終了のエンゲージメント、試験パフォーマンスを測定します。
• 参考スコア（独自算出の注目度）: 3.368088402834133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Introductory programming (CS1) courses often struggle to support students' understanding of program execution. While visualizations can make execution processes explicit, their effectiveness depends on design and context, and empirical evidence for AI-generated visualizations remains limited. We propose Generated Animated Traces (GATs), AI-generated, analogy-based, narrated animations that coordinate source code, execution state, and conceptual analogies. We conduct a study at two institutions in CS1 courses (Python, N=961; Java N=151) comparing GATs to textual explanations. We measure immediate learning performance and experience, end-of-course engagement and exam performance. Results show that GATs can yield selective benefits for immediate learning, but benefits are context-dependent and short-term. We observe that GATs' influence on performance is moderated by learner engagement profiles. This finding underscores the importance of personalized approaches.
• Abstract（参考訳）: 導入プログラミング(CS1)コースは、プログラム実行に対する生徒の理解を支援するのに苦労することが多い。 ビジュアライゼーションは実行プロセスを明確にするが、その有効性は設計とコンテキストに依存し、AI生成されたビジュアライゼーションの実証的証拠は依然として限られている。 本稿では,ソースコード,実行状態,概念的アナロジーをコーディネートするAI生成,アナライズに基づくナレーションアニメーションであるGATを提案する。 CS1コースの2施設(Python, N=961; Java N=151)でGATとテキストによる説明を比較検討する。 即時学習のパフォーマンスと経験、コース終了のエンゲージメント、試験パフォーマンスを測定します。 結果は、GATは即時学習に選択的な利点をもたらすが、利点は文脈に依存し、短期的であることを示している。 我々は,GATがパフォーマンスに与える影響を学習者のエンゲージメントプロファイルによって評価する。 この発見はパーソナライズされたアプローチの重要性を強調している。

関連論文リスト

• When Should We Prefer State-to-Visual DAgger Over Visual Reinforcement Learning? [19.13734020392486]
  本研究では、2段階のフレームワークであるState-to-Visual DAggerと、視覚的ポリシーを学ぶためにオンライン模倣を採用する前に状態ポリシーを訓練するVisual RLを実証的に比較する。 驚いたことに、ステート・ツー・ビジュアルのDAggerは、Visual RLを普遍的に上回るものではなく、より一貫したパフォーマンスを提供する、挑戦的なタスクにおいて大きなアドバンテージを示している。
  論文  参考訳（メタデータ） (2024-12-18T09:39:12Z)
• Bidirectional Decoding: Improving Action Chunking via Guided Test-Time Sampling [51.38330727868982]
  動作チャンキングが学習者と実証者の間の分岐にどのように影響するかを示す。 動作チャンキングをクローズドループ適応でブリッジするテスト時間推論アルゴリズムである双方向デコーディング(BID)を提案する。 提案手法は、7つのシミュレーションベンチマークと2つの実世界のタスクにまたがって、最先端の2つの生成ポリシーの性能を向上させる。
  論文  参考訳（メタデータ） (2024-08-30T15:39:34Z)
• Exploring Effective Factors for Improving Visual In-Context Learning [53.119376762527594]
  In-Context Learning(ICL)は、いくつかのデモ(別名プロンプト)を通じて新しいタスクを理解し、モデルをチューニングせずに新しい入力を予測することである。 本稿では,視覚的文脈学習の推論性能に直接的な影響を及ぼす要因として,迅速な選択と迅速な融合があげられる。 視覚的インコンテキスト学習のためのシンプルなフレームワークプロンプトSelFを提案する。
  論文  参考訳（メタデータ） (2023-04-10T17:59:04Z)
• Compositional Exemplars for In-context Learning [21.961094715261133]
  大規模な事前学習言語モデル(LM)は、印象的なインコンテキスト学習(ICL)能力を示している。 本稿では,CEIL (Compositional Exemplars for In-context Learning) を提案する。 我々は、感情分析、パラフレーズ検出、自然言語推論、コモンセンス推論、オープンドメイン質問応答、コード生成、意味解析を含む7つの異なるNLPタスクから、CEILを12の分類および生成データセットで検証する。
  論文  参考訳（メタデータ） (2023-02-11T14:02:08Z)
• Planning for Sample Efficient Imitation Learning [52.44953015011569]
  現在の模倣アルゴリズムは、高い性能と高環境サンプル効率を同時に達成するのに苦労している。 本研究では,環境内サンプルの効率と性能を同時に達成できる計画型模倣学習手法であるEfficientImitateを提案する。 実験結果から,EIは性能と試料効率の両立を図った。
  論文  参考訳（メタデータ） (2022-10-18T05:19:26Z)
• A Benchmark for Compositional Visual Reasoning [5.576460160219606]
  我々は、よりデータ効率のよい学習アルゴリズムへ進むために、新しいビジュアル推論ベンチマークであるコンポジションビジュアルリレーショナル(CVR)を導入する。 我々は,流体知能と非言語推論テストからインスピレーションを得て,抽象ルールと関連する画像データセットを大規模に作成するための新しい手法について述べる。 提案するベンチマークには, タスクルール間のサンプル効率, 一般化, 転送, および, 構成性を活用する能力が含まれている。
  論文  参考訳（メタデータ） (2022-06-11T00:04:49Z)
• CoCon: Cooperative-Contrastive Learning [52.342936645996765]
  自己教師付き視覚表現学習は効率的な映像分析の鍵である。 最近の画像表現の学習の成功は、コントラスト学習がこの課題に取り組むための有望なフレームワークであることを示唆している。 コントラスト学習の協調的バリエーションを導入し、ビュー間の相補的な情報を活用する。
  論文  参考訳（メタデータ） (2021-04-30T05:46:02Z)
• Self-supervised Co-training for Video Representation Learning [103.69904379356413]
  実例に基づく情報ノイズコントラスト推定訓練に意味クラス正の付加を施すことの利点について検討する。 本稿では,インフォネッションNCEの損失を改善するための,自己指導型協調学習手法を提案する。 本研究では,2つの下流タスク(行動認識とビデオ検索)における学習表現の質を評価する。
  論文  参考訳（メタデータ） (2020-10-19T17:59:01Z)
• BUSTLE: Bottom-Up Program Synthesis Through Learning-Guided Exploration [72.88493072196094]
  プログラムのボトムアップ検索に学習を活用する新しい合成手法を提案する。 特に、入力出力例のセットに基づいて、探索条件中の中間値の合成を優先順位付けするようにモデルを訓練する。 単純な教師付き学習アプローチであっても,学習とボトムアップ検索の組み合わせは極めて効果的であることを示す。
  論文  参考訳（メタデータ） (2020-07-28T17:46:18Z)
• Analyzing Student Strategies In Blended Courses Using Clickstream Data [32.81171098036632]
  パターンマイニングと、自然言語処理から借用したモデルを用いて、学生のインタラクションを理解します。 きめ細かいクリックストリームデータは、非商業的な教育支援システムであるDiderotを通じて収集される。 提案手法は,混合コースの低データ設定においても有意な洞察を得られることが示唆された。
  論文  参考訳（メタデータ） (2020-05-31T03:01:00Z)

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。