論文の概要: The Effortless Trap: Productive Struggle, AI, and the Illusion of Learning

• arxiv url: http://arxiv.org/abs/2606.26181v1
• Date: Wed, 24 Jun 2026 12:42:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.023831
• Title: The Effortless Trap: Productive Struggle, AI, and the Illusion of Learning
• Title（参考訳）: 不運なトラップ: 生産的ストラグル、AI、学習のイラシオン
• Authors: Mario Brcic, Stjepan Frljic,
• Abstract要約: AIが急速に進歩すると、教育者はジレンマに直面します。 うまく使えば、AIはフィードバック、例、実践、個別のサポートをスケールできる。 使いづらいのは、学習に必要な認知的な作業を置き換えることだ。 新しいアイデアは、プライム、プローブ、ポイント、アタッチメント、強化、テストの6つのステップを通じて学習される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With AI advancing fast, educators face a dilemma: allow the tool or ban it. Conflicting evidence that it both helps and hurts learning only deepens the confusion. The allow-or-ban framing is a false dichotomy; the relevant design question is placement. Used well, AI can scale feedback, examples, practice, and individualized support. Used poorly, it replaces the cognitive work that learning requires and leaves an illusion of learning: a confident sense of mastery that collapses on the unaided task. The strongest causal evidence shows the outcome flips on design: an unguarded AI helper left high-school students about 17% worse on an unaided exam than peers with no tool at all, while the same model rebuilt to withhold answers erased the harm, and a well-engineered tutor roughly doubled learning. We give educators one graspable frame for placing the tool. A new idea is learned through six moves, in order: Prime, Probe, Point, Attach, Strengthen, and Test. Secure the first hard attempt and the final unaided check, scaffold with guarded AI in between, and one diagnostic carries the frame: if letting AI in makes the task feel effortless, it is in the wrong place. To make it usable, we map classical teaching moves and AI-supported interventions to each step. Together, the six-move model, the placement rule, and the intervention menu provide a practical foundation for lesson and course redesign in the age of AI.
• Abstract（参考訳）: AIが急速に進歩すると、教育者はジレンマに直面します。 学習を助長し、傷つける証拠と矛盾することは、混乱を深めるだけである。 allow-or-banフレーミングは誤った二分法であり、関連する設計上の問題は配置である。 使用するAIは、フィードバック、例、プラクティス、個別化されたサポートをスケールすることができる。 使いづらいのは、学習に必要な認知的な作業を置き換えることで、学習の錯覚を残します。 最強の因果関係の証拠は、デザイン上の反転を示している: 守られていないAIヘルパーが、ツールを全く持たない仲間よりも、未経験の試験で約17%悪化した。 ツールを配置するための把握可能なフレームを教育者に与えます。 新しいアイデアは、プライム、プローブ、ポイント、アタッチメント、強化、テストの6つのステップを通じて学習される。 最初のハードトライと最後のチェック、ガードされたAIを備えた足場、そして1つの診断がフレームを担っている。 使いやすくするために、古典的な教育の動きとAI支援による介入を各ステップにマップします。 6つのモードモデル、配置ルール、介入メニューは、AI時代の授業とコースの再設計の実践的な基盤を提供する。

関連論文リスト

• Framing, Judging, Steering: An Assessable Competency Model for Teach-ing Students to Reason With Generative AI [47.027290803102666]
  生産的AI利用を3つの評価可能なスキルに分解する能力モデルであるCoRe-3(Co-Reasoning)を提案する。 理論上のスキルを基盤として、5つのテスト可能な提案を述べ、それらをCoReasoningLabでインスタンス化します。 人為的な合意と成果が次々に行われます。私たちは、計測器、データ、プロトコルをリリースします。
  論文  参考訳（メタデータ） (2026-06-04T10:25:31Z)
• The Hot Mess of AI: How Does Misalignment Scale With Model Intelligence and Task Complexity? [53.15349353876531]
  AIがより有能になるにつれて、より汎用的で簡潔なタスクを委任します。 我々はAIモデルによる誤りのバイアス分散分解を用いてこの問題を運用する。 より有能なAIはより困難なタスクを追求し、よりシーケンシャルな行動と思考を必要とするので、私たちの結果は失敗がより一貫性のない行動を伴うことを予測します。
  論文  参考訳（メタデータ） (2026-01-30T14:52:03Z)
• Breakable Machine: A K-12 Classroom Game for Transformative AI Literacy Through Spoofing and eXplainable AI (XAI) [2.4309013528867003]
  本稿では,eXplainable AI(XAI)ベースの教室ゲーム「Breakable Machine」を提案する。 このゲームは生徒に、高信頼の誤分類を引き起こすために、外観や環境を操作することでイメージを偽造するよう促す。 AIモデルの構築に集中するのではなく、このアクティビティは、脆さ、バイアス、脆弱性を突破することに集中している。
  論文  参考訳（メタデータ） (2025-08-19T18:49:01Z)
• How Do Programming Students Use Generative AI? [7.863638253070439]
  プログラミングの学生がChatGPTのような生成AIツールを実際にどのように使っているかを検討した。 一般的な概念に関する知識を探り,ソリューションを直接生成する,という2つの一般的な利用戦略を観察した。 その結果,ジェネレーティブAIによるプログラマエージェンシーの潜在的な減少と生産性に関する懸念が正当であることが示唆された。
  論文  参考訳（メタデータ） (2025-01-17T10:25:41Z)
• Need of AI in Modern Education: in the Eyes of Explainable AI (xAI) [0.0]
  この章は、AIの操作方法、特にバイアスに関する複雑な方法を明かそうとしている。 これらは、より信頼性があり、説明責任があり、すべての関係者にとって有益な方法でAIを使用することを含む、より良い教育政策に向けた基本的なステップである。
  論文  参考訳（メタデータ） (2024-07-31T08:11:33Z)
• The Role of Heuristics and Biases During Complex Choices with an AI Teammate [0.0]
  古典的な実験手法は、AIヘルパーによる複雑な選択を研究するには不十分である、と我々は主張する。 我々は、フレーミングとアンカー効果が、人々がAIヘルパーと一緒に働く方法に影響を与え、選択結果を予測することを示した。
  論文  参考訳（メタデータ） (2023-01-14T20:06:43Z)
• Seamful XAI: Operationalizing Seamful Design in Explainable AI [59.89011292395202]
  AIシステムのミスは必然的であり、技術的制限と社会技術的ギャップの両方から生じる。 本稿では, 社会工学的・インフラ的ミスマッチを明らかにすることにより, シームレスな設計がAIの説明可能性を高めることを提案する。 43人のAI実践者と実際のエンドユーザでこのプロセスを探求します。
  論文  参考訳（メタデータ） (2022-11-12T21:54:05Z)
• Human Decision Makings on Curriculum Reinforcement Learning with Difficulty Adjustment [52.07473934146584]
  我々は,カリキュラム強化学習結果を,人的意思決定プロセスから学ぶことで,難しすぎず,難しすぎるような望ましいパフォーマンスレベルに導く。 本システムは非常に並列化可能であり,大規模強化学習アプリケーションの訓練が可能となる。 強化学習性能は、人間の所望の難易度と同期してうまく調整できることが示される。
  論文  参考訳（メタデータ） (2022-08-04T23:53:51Z)
• The Who in XAI: How AI Background Shapes Perceptions of AI Explanations [61.49776160925216]
  私たちは、2つの異なるグループ、つまりAIのバックグラウンドを持つ人々といない人たちの、異なるタイプのAI説明に対する理解について、混合手法による研究を行います。 その結果,(1) 両群は異なる理由から不合理な数に対する信頼を示し,(2) それぞれの群は意図した設計以上の異なる説明に価値を見出した。
  論文  参考訳（メタデータ） (2021-07-28T17:32:04Z)
• Explainable Active Learning (XAL): An Empirical Study of How Local Explanations Impact Annotator Experience [76.9910678786031]
  本稿では、最近急増している説明可能なAI(XAI)のテクニックをアクティブラーニング環境に導入することにより、説明可能なアクティブラーニング(XAL)の新たなパラダイムを提案する。 本研究は,機械教育のインタフェースとしてのAI説明の利点として,信頼度校正を支援し,リッチな形式の教示フィードバックを可能にすること,モデル判断と認知作業負荷による潜在的な欠点を克服する効果を示す。
  論文  参考訳（メタデータ） (2020-01-24T22:52:18Z)

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。