論文の概要: Structuring Transparency: Developing Domain-Specific Generative AI Declaration Frameworks in Higher Education
- arxiv url: http://arxiv.org/abs/2606.13389v1
- Date: Thu, 11 Jun 2026 14:18:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-12 15:55:27.846853
- Title: Structuring Transparency: Developing Domain-Specific Generative AI Declaration Frameworks in Higher Education
- Title（参考訳）: 透明性の構造化: 高等教育におけるドメイン特化AI宣言フレームワークの開発
- Authors: Nicholas Micallef, Olga Petrovska,
- Abstract要約: 本稿では,既存のGenAI利用分類に基づくコンピュータサイエンス部門向けに開発されたデザインアーティファクトとそれに付随する位置について紹介する。
このフレームワークは、特定の認知的および発達段階にまたがってAIの使用を分類することで、学生が自身の学習プロセスに反映するよう促す。
- 参考スコア（独自算出の注目度）: 1.217503190366097
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As Generative AI (GenAI) disrupts higher education, institutions increasingly require students to declare AI use. However, generic, binary declarations (e.g., "I used GenAI") fail to capture the nuanced application of these tools in different academic tasks. Establishing transparency is key to protecting academic integrity, promoting AI literacy, and shifting the focus from policing to professional practice. In response, this paper contributes a design artefact and an accompanying position: a framework of two task-specific declaration structures, one for writing-focused activities and one for coding assessments, developed for a Computer Science department on the basis of an existing taxonomy of GenAI usage, together with an argument that task-specific disclosure is needed to move beyond binary declarations. By categorising AI usage across specific cognitive and developmental stages, such as structural planning vs. Textual Content Generation, or code improvement vs. code generation, the framework encourages students to reflect on their own learning process and clarifies the boundary between acceptable assistance and academic misconduct. We propose this domain-specific approach as a foundation for fostering more honest assessment in Computer Science and other disciplines, aiming to better prepare students for professional environments where documenting GenAI workflows might be an essential job requirement.
- Abstract（参考訳）: ジェネレーティブAI(GenAI)が高等教育を妨げているため、機関は学生にAIの使用を宣言する必要がある。
しかし、ジェネリックでバイナリな宣言(例: "I used GenAI")は、これらのツールの微妙な応用を異なる学術的なタスクで捉えることに失敗した。
透明性を確立することは、学術的完全性保護、AIリテラシーの促進、警察から専門的な実践へと焦点を移す上で重要である。
本論文は,2つのタスク固有の宣言構造,1つは文章中心のアクティビティ,もう1つはコーディングアセスメントのフレームワークを,既存のGenAI利用分類に基づくコンピュータサイエンス部門向けに開発し,タスク固有の開示が二項宣言を超えて移動するために必要であると主張する。
構造的計画とテキストコンテンツ生成、コード改善とコード生成といった特定の認知・発達段階のAI使用を分類することで、このフレームワークは生徒に自身の学習過程を反映させ、受け入れられる援助と学業上の不正行為の境界を明確にする。
我々は,コンピュータサイエンスなどの分野において,より誠実な評価を促進する基盤として,このドメイン固有のアプローチを提案する。
関連論文リスト
- Generative AI as a Design Variable: An Evidence-Centered Framework for Principled Governance in STEM Assessment [4.027696535560039]
Generative Artificial Intelligence (GenAI)は、STEMアセスメントのためのガバナンスの課題を提示している。
制限のないGenAIアクセスは、従来の評価の妥当性を損なうタスクアウトソーシングを可能にする。
本稿では,GenAIを外部の脅威ではなく,評価論における設計変数として扱うフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-24T03:06:34Z) - Beyond AI Delegation: A Prompt Pattern Framework for Productive Struggle and Evaluative Judgement in Secure Coding Education [0.45706494756895794]
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。
論文 参考訳（メタデータ） (2026-05-23T07:35:49Z) - Mise en Place for Agentic Coding: Deliberate Preparation as Context Engineering Methodology [0.0]
AIコーディングエージェントの急速な採用は、意図的な準備よりも実装のスピードを優先する、支配的なワークフローパターンを生み出した。
本稿では,エージェントコーディングのための3段階準備手法を提案する。
競合ハッカソンにおけるMEPの適用について報告し,約2時間の準備により,同時AIエージェントによるフルスタック教育プラットフォームの迅速な実装が可能となった。
論文 参考訳（メタデータ） (2026-05-06T19:33:08Z) - A Systematic AI Adoption Framework for Higher Education: From Student GenAI Usage to Institutional Integration [4.908297240926983]
本研究は,コンピュータサイエンス指向の分野において,学生が生成人工知能ツールをどのように活用するかを考察する。
広汎なGenAI利用への制度的適応を支援する、構造化された軽量なフレームワークを開発する。
論文 参考訳（メタデータ） (2026-04-23T19:46:15Z) - AI to Learn 2.0: A Deliverable-Oriented Governance Framework and Maturity Rubric for Opaque AI in Learning-Intensive Domains [0.0]
ジェネレーティブAIは、現在のガバナンスフレームワークよりも早く研究、教育、プロフェッショナルな仕事に入り、AIによるアウトプットをどのように判断すべきかを特定できる。
本稿では,AI支援作業のためのデリバリ指向ガバナンスフレームワークであるLearning 2.0を提案する。
論文 参考訳（メタデータ） (2026-03-16T11:44:43Z) - Requirements Development and Formalization for Reliable Code Generation: A Multi-Agent Vision [45.59678433715798]
我々は、textscrequirements textscdevelopmentとtextscformalization(textscDeFo)をベースとした、信頼性の高いコード生成のための最初のマルチエージェントフレームワークを構想する。
textscReDeFoの中核は、潜在的に曖昧な自然言語要求と正確な実行可能なコードの間のギャップを埋めるために、正式な仕様を使用することである。
論文 参考訳（メタデータ） (2025-08-26T04:45:04Z) - From Recall to Reasoning: Automated Question Generation for Deeper Math Learning through Large Language Models [44.99833362998488]
先進数学のためのコンテンツ生成を最適化する第1ステップについて検討した。
我々は、GenAIがコース内容に関連する高品質な実践問題を生み出す能力について検討した。
論文 参考訳（メタデータ） (2025-05-17T08:30:10Z) - 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) - Towards Verifiable Generation: A Benchmark for Knowledge-aware Language Model Attribution [48.86322922826514]
本稿では,知識認識型言語モデル属性(KaLMA)の新たな課題について述べる。
まず、属性のソースを構造化されていないテキストから知識グラフ(KG)に拡張し、そのリッチな構造は属性のパフォーマンスと作業シナリオの両方に役立ちます。
第2に,不完全な知識リポジトリを考慮した「意識的非能力」の設定を提案する。
第3に,テキスト品質,引用品質,引用アライメントを含む総合的な自動評価指標を提案する。
論文 参考訳（メタデータ） (2023-10-09T11:45:59Z) - Investigating Explainability of Generative AI for Code through
Scenario-based Design [44.44517254181818]
生成AI(GenAI)技術は成熟し、ソフトウェア工学のようなアプリケーションドメインに適用されています。
私たちは43人のソフトウェアエンジニアと9つのワークショップを開催しました。そこでは、最先端のジェネレーティブAIモデルの実例を使って、ユーザの説明可能性のニーズを導き出しました。
我々の研究は、GenAIのコードに対する説明可能性の必要性を探求し、新しいドメインにおけるXAIの技術開発を人間中心のアプローチがいかに促進するかを実証する。
論文 参考訳（メタデータ） (2022-02-10T08:52:39Z)
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。