論文の概要: AI-Automation Tooling in Computer Engineering Education: Mixed-Methods TAM/UTAUT Evidence for a General Acceptance Attitude
- arxiv url: http://arxiv.org/abs/2606.12424v1
- Date: Sun, 10 May 2026 11:00:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 07:09:36.885445
- Title: AI-Automation Tooling in Computer Engineering Education: Mixed-Methods TAM/UTAUT Evidence for a General Acceptance Attitude
- Title（参考訳）: AI-Automation Tooling in Computer Engineering Education: Mixed-Methods TAM/UTAUT Evidence for a General Acceptance Attitude
- Authors: Aung Pyae,
- Abstract要約: 本稿では,学部生によるAI自動化ツールの受け入れに関する,多種多様な横断的研究を報告する。
受け入れは、大きな効果の大きさの6つの構成要素すべてで好意的だった。
Findingsは、学部のコンピューティング教育におけるAI自動化ツールのカリキュラム採用を支援する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As generative AI and low-code workflow platforms become routine in software practice, a key educational question is whether the next generation of computer engineers will accept these tools as useful, usable, and worthy of sustained engagement. This paper reports a mixed-methods, cross-sectional study of undergraduate computer engineering students' acceptance of AI automation tooling, instantiated through the open-source platform n8n across three identically scripted workshops in Thailand (n = 103). A 12-item, five-point Likert instrument mapped to six TAM/UTAUT constructs - Performance Expectancy (PE), Effort Expectancy (EE), Behavioral Intention (BI), Self-Efficacy (SE), Hedonic Motivation (HM), and Output Quality (OQ) - was complemented by inductive thematic analysis of open-ended feedback. Analyses combined ordinal reliability estimation, bootstrap confidence intervals, non-parametric tests, multiple-comparison-controlled correlations, polychoric dimensionality diagnostics, a common-method-bias check, and between-session comparisons. Acceptance was favorable across all six constructs with large effect sizes, with PE emerging as the strongest construct and HM as the weakest. Dimensionality diagnostics further revealed that canonical TAM/UTAUT sub-facets collapsed into a single general acceptance factor in this short-form post-workshop context, a finding with important methodological and theoretical implications. Qualitative themes converged with the quantitative profile regarding usefulness and enthusiasm but diverged on output quality, revealing a small yet articulate reliability-skeptical minority. The findings support the curricular adoption of AI automation tooling in undergraduate computing education and identify three theory-grounded instructional levers: instruction-sequencing scaffolds, self-efficacy supports, and trust-calibration interventions.
- Abstract（参考訳）: 生成的AIとローコードワークフロープラットフォームがソフトウェアプラクティスにおいて日常化されるにつれて、教育上の重要な疑問は、次世代のコンピュータエンジニアがこれらのツールを有用な、有用な、そして持続的なエンゲージメントに値するものとして受け入れるかどうかである。
本稿では, タイの3つの同一スクリプトワークショップ(n = 103)で, オープンソースのプラットフォームn8nを介し, 大学生のAI自動化ツールの受入れに関する, 複合的, 横断的な研究を報告する。
TAM/UTAUTの6つの構成(PE)、Effort expectedancy(EE)、行動意図(BI)、自己効力感(SE)、Hedonic Motivation(HM)、アウトプット品質(OQ))にマッピングされた12イテム、5ポイントのLikertは、オープンエンドフィードバックの帰納的テーマ分析によって補完された。
分析は, 経時的信頼度推定, ブートストラップの信頼区間, 非パラメトリックテスト, 多成分相関相関, ポリコリック次元診断, 共通メソッドバイアスチェック, セッション間比較を行った。
アクセプタンスは大きな効果を持つ6つの構成要素すべてで好適であり、PEは最も強い構造として、HMは最も弱い構造として出現した。
次元診断では、標準のTAM/UTAUTサブファセットが、この短い形態のポストワークショップコンテキストにおいて単一の一般的な受容因子に崩壊し、重要な方法論的および理論的意味のある発見が明らかになった。
質的なテーマは有用性と熱意に関する定量的なプロファイルに収束したが、出力品質に偏った結果、信頼性に懐疑的な少数派は少なかった。
この発見は、学部のコンピューティング教育におけるAI自動化ツールのカリキュラム採用を支援し、理論に基づく3つの指導レバー(命令シーケンスの足場、自己効力性のサポート、信頼の校正の介入)を特定した。
関連論文リスト
- TIDE-Bench: Task-Aware and Diagnostic Evaluation of Tool-Integrated Reasoning [14.200781347796307]
我々はツール統合推論手法を評価するための総合的で効率的なベンチマークであるTIDE-Benchを紹介する。
多様なタスク設定を提供し、広く使われている数学的推論と知識集約型QAタスクを2つの新しく設計されたタスクと組み合わせている。
第2に、TIDE-Benchは包括的なタスク対応評価プロトコルを採用し、最終回答の品質、プロセスの信頼性、ツール使用効率、推論コストを共同で測定する。
第3に、TIDE-Benchは、既存のデータセットから低識別インスタンスをフィルタリングすることで、高品質で差別的な評価セットを構築する。
論文 参考訳（メタデータ） (2026-05-10T13:56:46Z) - Assessment Design in the AI Era: A Method for Identifying Items Functioning Differentially for Humans and Chatbots [0.0]
教育における大規模言語モデル(LLM)の急速な採用は、アセスメント設計に重大な課題をもたらす。
我々は,人間とLLMが体系的な応答差を示す項目を特定するために,統計的に原則化されたアプローチを導入する。
この方法は、差分アイテム機能解析(DIF)に基づく。
論文 参考訳（メタデータ） (2026-03-24T19:39:39Z) - UniDial-EvalKit: A Unified Toolkit for Evaluating Multi-Faceted Conversational Abilities [70.79422099851506]
対話型AIシステム評価のための統合評価ツールキットUniDial-EvalKit(UDE)を提案する。
UDEは異種データフォーマットを普遍的なスキーマに標準化し、モジュールアーキテクチャを通じて複雑な評価パイプラインを合理化し、一貫したスコアリングインターフェースの下でメートル法計算を調整する。
論文 参考訳（メタデータ） (2026-03-24T13:01:31Z) - Sandpiper: Orchestrated AI-Annotation for Educational Discourse at Scale [3.0317183198617066]
Sandpiperは、高ボリュームの会話データと人間の質的な専門知識の橋渡しとして設計された混合開始システムである。
本稿では,AIを用いた定性分析における研究効率の向上,レータ間信頼性,研究者信頼度を評価するためのシステムの有効性を評価するためのユーザスタディを提案する。
論文 参考訳（メタデータ） (2026-03-09T14:01:42Z) - KARL: Knowledge Agents via Reinforcement Learning [63.627906947205624]
本稿では,強化学習による企業検索エージェントの訓練システムを提案する。
KARLBenchは、6つの異なる検索レギュレーションにまたがる多機能評価スイートである。
異種探索行動で訓練されたモデルは、どのベンチマークにも最適化されたモデルよりもかなりよく一般化されていることを示す。
論文 参考訳（メタデータ） (2026-03-05T14:30:25Z) - Development and Validation of a Faculty Artificial Intelligence Literacy and Competency (FALCON-AI) Scale for Higher Education [0.27998963147546146]
しかし、既存のAIリテラシー機器は主に一般市民、学生、K-12教師をターゲットにしている。
本研究は,FALCON-AI(Department Artificial Intelligence Literacy and competency)尺度の開発と評価を行う。
論文 参考訳（メタデータ） (2026-03-03T23:20:33Z) - AIDABench: AI Data Analytics Benchmark [62.45908988324612]
AIDABenchは、複雑なデータ分析タスクのAIシステムをエンドツーエンドで評価するためのベンチマークである。
AIDABenchは、質問応答、データビジュアライゼーション、ファイル生成という3つのコア機能ディメンションにまたがる600以上の多様なドキュメント分析タスクを含んでいる。
AIDABenchの11の最先端モデルを評価し、プロプライエタリ(Claude Sonnet 4.5、Gemini 3 Pro Previewなど)とオープンソース(Qwen3-Max-2026-01-23-Thinkingなど)の両方を対象とする。
論文 参考訳（メタデータ） (2026-02-27T08:58:05Z) - SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。
実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。
回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
論文 参考訳（メタデータ） (2025-11-29T09:18:39Z) - PyTDC: A multimodal machine learning training, evaluation, and inference platform for biomedical foundation models [59.17570021208177]
PyTDCは、マルチモーダルな生物学的AIモデルのための合理化されたトレーニング、評価、推論ソフトウェアを提供する機械学習プラットフォームである。
本稿では、PyTDCのアーキテクチャの構成要素と、我々の知る限り、導入したシングルセルドラッグターゲットMLタスクにおける第一種ケーススタディについて論じる。
論文 参考訳（メタデータ） (2025-05-08T18:15:38Z) - Position: AI Evaluation Should Learn from How We Test Humans [65.36614996495983]
人間の評価のための20世紀起源の理論である心理測定は、今日のAI評価における課題に対する強力な解決策になり得る、と我々は主張する。
論文 参考訳（メタデータ） (2023-06-18T09:54:33Z) - Towards automated Capability Assessment leveraging Deep Learning [0.0]
本稿では,ボキセル化技術を用いて評価を自動化するソフトウェアであるNeuroCADを提案する。
この手法によりCADファイルに基づくディープラーニングにより,抽象的ジオメトリと生産関連機能の評価が可能となる。
論文 参考訳（メタデータ） (2022-01-28T13:49:35Z)
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。