論文の概要: Four Types of LLM Reliance and Their Predictors Among Undergraduate Writers: A Mixed-Methods Study at a Minority-Serving R1 University

• arxiv url: http://arxiv.org/abs/2606.28749v2
• Date: Thu, 02 Jul 2026 10:24:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 15:16:32.238531
• Title: Four Types of LLM Reliance and Their Predictors Among Undergraduate Writers: A Mixed-Methods Study at a Minority-Serving R1 University
• Title（参考訳）: 大学生のLLM信頼度と予測要因の4種類:R1大学における混合手法による研究
• Authors: Shahin Hossain,
• Abstract要約: 既存の機器は使用頻度にのみ依存度を評価する。 学生の価値とコストの信念は、彼らの大きな言語モデルへの依存の強さを予測した。 戦略的なユーザー、最も意図的にAIに関わったユーザーは、標準結果の基準で最低のスコアを得た。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although most undergraduates now use large language models (LLMs), a form of generative artificial intelligence (GenAI) for academic writing, no validated method distinguishes the qualitatively different ways students rely on them. Existing instruments assess reliance solely by frequency of use, a measure that, as this study shows, inadvertently rewards dependence on AI rather than recognizing students' own intellectual contribution. Conducted at a public minority-serving university and grounded in the AI Literacy Framework, Expectancy-Value Theory, and Biggs's Presage-Process-Product model, the study drew on 382 undergraduates, 14 interviews, and 396 open-ended survey responses. Four distinct reliance types were identified and confirmed: Strategic (34.3%), Instrumental (30.9%), Dialogic (30.4%), and Dependent (4.5%). Students' value and cost beliefs predicted the intensity of their reliance on LLMs, whereas their AI literacy predicted the type of reliance they adopted, indicating that differentiated support is needed. Notably, Strategic users, those who engaged AI most deliberately, scored lowest on standard outcome measures. This pattern reflects a limitation of current instruments, which index AI's contribution rather than writing quality, thereby penalizing students who show the greatest independent thinking. Analysis also revealed an additional group, roughly 13%, who declined to use AI for ethical rather than practical reasons, and who existing frameworks overlook. These findings carry implications for AI literacy programs, the measurement of student learning outcomes, and equitable AI policy at minority-serving institutions.
• Abstract（参考訳）: ほとんどの学部生は、学術的な文章に生成的人工知能(GenAI)の形式である大規模言語モデル(LLMs)を使用しているが、検証された手法は、学生がそれらに頼っている定性的に異なる方法を区別するものではない。 既存の機器は、使用頻度にのみ依存度を評価する尺度であり、この研究が示すように、生徒の知的貢献を認識するのではなく、AIへの依存度に不注意に報いる。 公立のマイノリティ大学で実施され、AIリテラシーフレームワーク、期待値理論、ビッグスのPresage-Process-Productモデルに基礎を置いているこの研究は、382人の学部生、14のインタビュー、そして396のオープンな調査回答を描いている。 ストラテジック(34.3%)、インストゥルメンタル(30.9%)、ダイアロジック(30.4%)、依存(4.5%)の4つの異なる依存型が同定され、確認された。 学生の価値とコストの信念は、LLMへの依存の強さを予言する一方で、彼らのAIリテラシーは、彼らが採用した信頼の種類を予測し、異なる支援が必要であることを示唆した。 特に、AIを最も意図的に利用しているストラテジックユーザーは、標準結果の基準で最低のスコアを得た。 このパターンは、品質を書くことよりもAIの貢献をインデクシングする現在の道具の制限を反映しており、それによって最も独立した思考を示す学生を罰する。 分析の結果、AIを実践的な理由よりも倫理的に使用することを拒否し、既存のフレームワークが見落としているという、約13%の追加グループも明らかになった。 これらの発見は、AIリテラシープログラム、学生の学習結果の測定、マイノリティー機関における公平なAIポリシーに影響を及ぼす。

関連論文リスト

• Profiles of AI Dependency: A Latent Class Analysis of Filipino Students' Academic Competencies [0.0]
  フィリピンの大学生の人工知能(AI)への依存度の増加は、基本的な学術能力の低下を懸念している。 本研究は, 学生の批判的思考, 文章スキル, 学習自立, 研究スキル, 学術的エンゲージメントに対するAI依存度とその認知的影響について検討した。
  論文  参考訳（メタデータ） (2026-04-30T02:59:52Z)
• The Reliance Negotiation Framework: A Dynamic Process Model of Student LLM Engagement in Academic Writing [0.0]
  学術著作における大規模言語モデル(LLM)への学生の関与は、安定した特性、採用決定、能力レベルではない。 本稿では,382人の大学生を対象とした逐次的説明混合メソッド研究から開発されたReliance Negotiation Framework(RNF)を紹介する。
  論文  参考訳（メタデータ） (2026-04-18T01:34:58Z)
• Sociodemographic Biases in Educational Counselling by Large Language Models [61.30199414932204]
  本研究では,Large Language Models(LLMs)における社会デマトグラフィーバイアスについて検討する。 多様な状況下で生徒を記述した900のヴィグネットに関する質問に答える6つのLDMからの回答を評価した。
  論文  参考訳（メタデータ） (2026-04-03T14:08:22Z)
• ELAIPBench: A Benchmark for Expert-Level Artificial Intelligence Paper Understanding [49.67493845115009]
  ELAIPBenchは、大規模言語モデルによるAI研究論文の理解を評価するために、ドメインの専門家によってキュレーションされたベンチマークである。 難易度は3つあり、浅い検索よりも非自明な推論に重点を置いている。 実験の結果、最高の性能のLSMは、人間の性能よりはるかに低い39.95%の精度しか達成できないことがわかった。
  論文  参考訳（メタデータ） (2025-10-12T11:11:20Z)
• Do Students Rely on AI? Analysis of Student-ChatGPT Conversations from a Field Study [10.71612026319996]
  本研究は,各種STEMコースにおける簡単なクイズベースシナリオにおける315人の学生とAIの会話を分析した。 学生は全体としてAIへの依存度が低く、多くの学生は学習にAIを効果的に利用できなかった。 特定の行動メトリクスは、AIへの依存を強く予測し、AIの採用を説明する潜在的な行動メカニズムを強調します。
  論文  参考訳（メタデータ） (2025-08-27T20:00:27Z)
• Adapting University Policies for Generative AI: Opportunities, Challenges, and Policy Solutions in Higher Education [1.2691047660244332]
  生成的人工知能(AI)ツールの急速な普及は、高等教育における変革の時代を後押ししている。 この記事では、生成AIがもたらす機会を批判的に検討し、それらがもたらす多面的課題を探求し、堅牢なポリシーソリューションの概要を述べる。
  論文  参考訳（メタデータ） (2025-06-27T13:49:02Z)
• Mitigating Subgroup Disparities in Multi-Label Speech Emotion Recognition: A Pseudo-Labeling and Unsupervised Learning Approach [53.824673312331626]
  Implicit Demography Inference (IDI)モジュールは、k平均クラスタリングを用いて、音声感情認識(SER)におけるバイアスを軽減する 実験により、擬似ラベルIDIはサブグループの格差を減らし、フェアネスの指標を28%以上改善することが示された。 教師なしのIDIは、SERのパフォーマンスが3.6%未満のフェアネス指標を4.6%以上改善する。
  論文  参考訳（メタデータ） (2025-05-20T14:50:44Z)
• Auto-assessment of assessment: A conceptual framework towards fulfilling the policy gaps in academic assessment practices [4.770873744131964]
  英国、アラブ首長国連邦、イラクの3カ国から117人の学者を対象に調査を行った。 我々は、ほとんどの学者が、教育におけるAIについて肯定的な意見を持っていることを確認した。 学生の働きを自律的に評価する新しいAIフレームワークを初めて提案する。
  論文  参考訳（メタデータ） (2024-10-28T15:22:37Z)
• Principle-Driven Self-Alignment of Language Models from Scratch with Minimal Human Supervision [84.31474052176343]
  ChatGPTのような最近のAIアシスタントエージェントは、人間のアノテーションと人間のフィードバックからの強化学習を教師付き微調整(SFT)に頼り、アウトプットを人間の意図に合わせる。 この依存は、人間の監督を得るために高いコストがかかるため、AIアシスタントエージェントの真の可能性を大幅に制限することができる。 本稿では,AIエージェントの自己調整と人間監督の最小化のために,原則駆動推論とLLMの生成能力を組み合わせたSELF-ALIGNという新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-04T17:59:28Z)

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。