論文の概要: An exploratory behavioral and electroencephalographic study of artificial intelligence-assisted learning modes in high school students
- arxiv url: http://arxiv.org/abs/2606.26579v1
- Date: Thu, 25 Jun 2026 04:01:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.15506
- Title: An exploratory behavioral and electroencephalographic study of artificial intelligence-assisted learning modes in high school students
- Title（参考訳）: 高校生における人工知能支援学習モードの探索行動と脳波学的研究
- Abstract要約: 本研究は,前頭葉脳波スペクトル活動に異なるAI相互作用モードが影響を及ぼすかどうかを考察する。
脳波データと定量化行動指標は48人の被験者から記録された。
- 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: As artificial intelligence (AI) is rapidly integrating into education, concerns have emerged regarding its potential implications on cognitive engagement and problem-solving behavior. However, existing research largely treats AI exposure as a binary condition (AI vs. no-AI), with limited differentiation between interaction modalities and post-exposure effects. This study investigates whether distinct AI interaction modes (Tutor, Collaborator, Solver) influence frontal EEG spectral activity. Electroencephalography (EEG) data and quantified behavioral metrics were recorded from 48 study participants (24 males, 24 females; ages 14-18) across two counterbalanced quizzes in a within-subject design. Statistical analyses included Friedman tests, repeated-measures ANOVA, paired t-tests, and effect size calculations. Behavioral changes were mathematically analyzed in an observation matrix of three characteristics -Initiation, Processing, and Stress-measured on an ordinal scale. Each mode showed significant differences in all three behavioral measures. Descriptive EEG patterns in AI interaction mode were observed, and the possibility of short-term carryover effects of AI was explored. Although the EEG data did not reach statistical significance, the patterns observed across the three AI interaction modes warrant further investigation. This study provides preliminary behavioral evidence and investigative electrophysiological observations, exploring possible AI-interaction-mode-based differences in neural activity and behavior, while establishing a replicable framework for future human-AI interaction studies.
- Abstract（参考訳）: 人工知能(AI)が教育に急速に統合されるにつれて、認知的エンゲージメントや問題解決行動への潜在的な影響について懸念が高まっている。
しかし、既存の研究はAIの露出を二項条件(AI vs. No-AI)として扱い、相互作用のモダリティと露光後の効果の差が限られている。
本研究では,前頭葉脳波スペクトル活動に異なるAI相互作用モード(Tutor,Collaborator,Solver)が影響を及ぼすかを検討した。
脳波(EEG)データと定量化行動指標は、48人の被験者(男性24人、女性24人、年齢14～18歳)から、2つの逆平衡クイズを対象内設計で調査した。
統計分析には、フリードマン試験、ANOVAの繰り返し測定、ペアTテスト、効果サイズ計算が含まれる。
行動変化を3つの特性(開始, 処理, ストレス)の観測行列で数学的に解析した。
各モードは3つの行動指標に有意な差を示した。
AIインタラクションモードにおける記述型脳波パターンを観察し、AIの短期的輸送効果の可能性を検討した。
脳波のデータは統計的に意味を示さなかったが、3つのAIインタラクションモードで観察されたパターンはさらなる調査を保証している。
本研究は, 神経活動と行動のAI-相互作用-モードによる相違の可能性を探究するとともに, 将来の人間-AIインタラクション研究のための再現可能な枠組みを構築した。
関連論文リスト
- Imperfectly Cooperative Human-AI Interactions: Comparing the Impacts of Human and AI Attributes in Simulated and User Studies [25.913918889459552]
AI設計の特徴と人格の特徴は、それぞれが人間とAIの相互作用の品質と結果に影響を与える。
本研究は,2000のシミュレーションと290人の被験者を対象とする並列人体実験からなる,純粋にシミュレーションされたデータセットを比較した。
その結果、純粋にシミュレートされたデータセットと人間の研究データセット、シナリオタイプの違いが明らかになった。
論文 参考訳（メタデータ） (2026-04-17T01:10:34Z) - Decoding AI Tutor Effects for Educational Measurement: Temporal, Multi-Outcome, and Behavior-Cognitive Analysis [0.3342165620612816]
本稿では、時間的相互作用パターン、複数結果分析、行動認知学習者プロファイルを用いたAI支援学習のためのAIエージェントプロトタイプフレームワークを提案する。
ヒント、説明、例、コードなど、さまざまなフィードバックフォームを学習者に提供すべく、AIチューターエージェントが開発された。
ニューラルネットワークモデルとシミュレーションフレームワークを使用して、応答時間、試行、ヒント要求、正確性、クイズ結果、改善、満足度、信頼を含む、人工的な学生とAI教師のインタラクションレコードを生成する。
その結果、初期のインタラクションパターンは、後のパフォーマンスと信頼の予測であり、学生の行動はAIベースの授業で時間とともに変化し、学生の行動は変化していることがわかった。
論文 参考訳（メタデータ） (2026-03-22T00:43:17Z) - When Researchers Say Mental Model/Theory of Mind of AI, What Are They Really Talking About? [0.9786690381850356]
この位置紙は、現在の談話が真正コグニオンと洗練されたパターンマッチングを混同していると主張している。
人間の認知とAIアルゴリズムの同時貢献を認める相互ToMフレームワークに焦点を移すことを提案する。
論文 参考訳（メタデータ） (2025-10-03T01:37:32Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - Analyzing Character and Consciousness in AI-Generated Social Content: A
Case Study of Chirper, the AI Social Network [0.0]
この研究はAIの振る舞いを包括的に調査し、多様な設定がチャーパーの反応に与える影響を分析している。
一連の認知テストを通じて、この研究はチャーパーズの自己認識とパターン認識の能力を評価する。
この研究の興味深い側面は、チャーパーのハンドルやパーソナリティのタイプがパフォーマンスに与える影響を探ることである。
論文 参考訳（メタデータ） (2023-08-30T15:40:18Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Emotion Estimation from EEG -- A Dual Deep Learning Approach Combined
with Saliency [2.555313870523154]
本稿では,コンピュータビジョンに特化した新しい深層学習(DL)モデルと,専門家が定義する生理的知識を考慮した2つの手法を提案する。
グローバルなアプローチを示すため、このモデルは4つの公開データセットで評価され、最先端のアプローチと同じような結果が得られる。
論文 参考訳（メタデータ） (2022-01-11T11:38:36Z) - Overcoming the Domain Gap in Contrastive Learning of Neural Action
Representations [60.47807856873544]
神経科学の基本的な目標は、神経活動と行動の関係を理解することである。
我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。
このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
論文 参考訳（メタデータ） (2021-11-29T15:27:51Z) - ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。
Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。
純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
論文 参考訳（メタデータ） (2021-03-26T02:42:38Z) - Towards Interaction Detection Using Topological Analysis on Neural
Networks [55.74562391439507]
ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。
本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。
PID(Persistence Interaction Detection)アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-10-25T02:15:24Z)
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。