論文の概要: Exploring the Value of Diverse LLM Explanations in Introductory Programming
- arxiv url: http://arxiv.org/abs/2606.28882v1
- Date: Sat, 27 Jun 2026 11:59:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.724036
- Title: Exploring the Value of Diverse LLM Explanations in Introductory Programming
- Title（参考訳）: イントロダクティブプログラミングにおける横型LCM記述値の探索
- Abstract要約: LLM(Large Language Models)は、品質上のピアを超越したコード説明を生成する可能性を示している。
計算的創造性の研究は、アイデアの量と多様性が、品質に特異な焦点を超えることがしばしばあることを強調している。
- 参考スコア（独自算出の注目度）: 2.0408252716172393
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large Language Models (LLMs) have shown the potential to generate code explanations that surpass those of peers in quality, offering promising opportunities for computer science education. While these explanations may not yet match the depth and clarity of instructor-provided explanations, research in computational creativity highlights that the quantity and diversity of ideas can often outweigh a singular focus on quality. Inspired by this, we explore whether combining multiple diverse explanations, each emphasizing distinct aspects (e.g., function, concept, goal), can enhance students' understanding of programming exercises compared to generic explanations that do not emphasize distinct conceptual aspects. In our study 971 first-year computing students were randomly assigned either diverse or generic LLM-generated explanations for two programming exercises. Students completed multiple-choice and open-ended questions for each exercise, followed by Likert-scale questions and open-ended reflections. Our findings outline patterns in student performance and perceived cognitive load across the two explanation conditions. These findings highlight how variation in explanation emphasis may relate to learner engagement and understanding. Across participants, open-ended response accuracy was consistently about 7.7% higher when students received diverse explanations, with no difference in perceived cognitive load.
- Abstract（参考訳）: LLM(Large Language Models)は、品質上の仲間を超えるコード説明を生成する可能性を示し、コンピュータサイエンス教育に有望な機会を提供する。
これらの説明はインストラクターが提供する説明の深さと明快さとはまだ一致していないかもしれないが、計算的創造性の研究は、アイデアの量と多様性が品質に特異な焦点を超えることがしばしばあることを強調している。
そこで本研究では, 異なる側面(例えば, 機能, 概念, 目標)を強調した多種多様な説明を組み合わせることで, 生徒のプログラミング演習に対する理解が, 異なる概念的側面を強調しない汎用的な説明に比べて向上するかどうかを考察する。
本稿では,初年度のコンピュータ学生971名を対象に,多種多様か汎用的なLCM生成の説明をランダムに割り当てた。
学生は各エクササイズに対して複数の選択とオープンエンドの質問を完了し、その後にLikertスケールの質問とオープンエンドのリフレクションが続いた。
本研究は,2つの説明条件にまたがって,学生のパフォーマンスと認知負荷のパターンを概説した。
これらの知見は,説明強調の変動が学習者のエンゲージメントと理解にどのように関係するかを明らかにする。
参加者全体では、学生が多様な説明を受けたとき、認知負荷に差はなく、オープンエンド応答精度は一貫して7.7%高かった。
関連論文リスト
- Explain with Visual Keypoints Like a Real Mentor! A Benchmark for Multimodal Solution Explanation [19.4261670152456]
モデルが補助線,点,角などの視覚的キーポイントを識別できるかどうかを評価し,これらのキー要素を組み込んだ説明を生成するためのマルチモーダルソリューション説明タスクを提案する。
我々の経験的結果は、最近の大規模オープンソースおよびクローズドソースモデル、ほとんどの一般オープンソースモデル、数学特殊主義モデルを除いて、マルチモーダルソリューションの説明タスクに苦戦していることを示している。
このことは、現在のLLMの教育的文脈における視覚的基盤による推論と説明能力において、大きなギャップを浮き彫りにしている。
論文 参考訳（メタデータ） (2025-04-04T06:03:13Z) - Exploring Concept Depth: How Large Language Models Acquire Knowledge and Concept at Different Layers? [57.04803703952721]
大規模言語モデル(LLM)は、幅広いタスクで顕著なパフォーマンスを示している。
しかし、これらのモデルが様々な複雑さのタスクを符号化するメカニズムは、いまだに理解されていない。
概念深さ」の概念を導入し、より複雑な概念が一般的により深い層で得られることを示唆する。
論文 参考訳（メタデータ） (2024-04-10T14:56:40Z) - Explanation-aware Soft Ensemble Empowers Large Language Model In-context
Learning [50.00090601424348]
大規模言語モデル(LLM)は、様々な自然言語理解タスクにおいて顕著な能力を示している。
我々は,LLMを用いたテキスト内学習を支援するための説明型ソフトアンサンブルフレームワークであるEASEを提案する。
論文 参考訳（メタデータ） (2023-11-13T06:13:38Z) - Exploring Iterative Enhancement for Improving Learnersourced Multiple-Choice Question Explanations with Large Language Models [22.376741676039398]
我々は、自動説明生成のタスクを足場として、"ILearner-LLM" というフレームワークを提示し、評価する。
このフレームワークは、評価モデルから品質評価スコアをインストラクションプロンプトに反復的にフィードバックすることで、高品質な学生対応の説明を生成する。
本研究は,学生の学習支援体験を充実させるための有望な道のりを示すものである。
論文 参考訳（メタデータ） (2023-09-19T09:04:15Z) - Distinguish Before Answer: Generating Contrastive Explanation as
Knowledge for Commonsense Question Answering [61.53454387743701]
本稿では,概念中心のPrompt-bAsed Contrastive Explanation GenerationモデルであるCPACEを提案する。
CPACEは、得られたシンボル知識を、与えられた候補間の差異をよりよく区別するために、対照的な説明に変換する。
本稿では,CSQA,QASC,OBQAの3つの質問回答データセットについて実験を行った。
論文 参考訳（メタデータ） (2023-05-14T12:12:24Z) - Comparing Code Explanations Created by Students and Large Language
Models [4.526618922750769]
コードについて推論し、その目的を説明することは、コンピュータ科学者にとって基本的なスキルである。
可能なすべてのインプットに対してコードがどのように振る舞うかを、高いレベルの抽象化で記述する能力は、コード記述スキルと強く相関する。
既存の教育的なアプローチは、要求に応じてコード説明を作成するなど、コードを説明する能力を足場に置いていますが、現在、大規模な教室ではうまくスケールしていません。
論文 参考訳（メタデータ） (2023-04-08T06:52:54Z) - Complementary Explanations for Effective In-Context Learning [77.83124315634386]
大規模言語モデル (LLM) は、説明のインプロンプトから学習する際、顕著な能力を示した。
この研究は、文脈内学習に説明が使用されるメカニズムをよりよく理解することを目的としている。
論文 参考訳（メタデータ） (2022-11-25T04:40:47Z) - REX: Reasoning-aware and Grounded Explanation [30.392986232906107]
我々は,画像中の推論プロセスとグラウンド化キーワードをトラバースすることで,意思決定を説明する,新しいタイプのマルチモーダルな説明を開発する。
第2に、意思決定を説明するために、視覚的およびテキスト的モダリティに重要なコンポーネントを密に結合する必要があることを特定する。
第3に、単語と興味のある領域のペアワイズ対応を明示的にモデル化する、新しい説明生成手法を提案する。
論文 参考訳（メタデータ） (2022-03-11T17:28:42Z) - Self-training with Few-shot Rationalization: Teacher Explanations Aid
Student in Few-shot NLU [88.8401599172922]
タスク固有のラベルと合理的性に制限された自己学習言語モデルに基づくフレームワークを開発する。
ニューラルネットワークの性能は,その合理的な予測を意識することで,大幅に向上できることを示す。
論文 参考訳（メタデータ） (2021-09-17T00:36:46Z) - Evaluating Explanations: How much do explanations from the teacher aid
students? [103.05037537415811]
本研究では,説明が生徒の学習モデルを改善する程度を測る学生-教師パラダイムを用いて,説明の価値を定式化する。
説明を評価するための従来の提案とは異なり、我々のアプローチは容易にゲーム化できず、原則付き、スケーラブルで、属性の自動評価を可能にします。
論文 参考訳（メタデータ） (2020-12-01T23:40:21Z) - LIMEtree: Consistent and Faithful Surrogate Explanations of Multiple Classes [7.031336702345381]
マルチクラス説明の新しいパラダイムを紹介する。
LIMEtree と呼ばれる多出力回帰木に基づく局所代理モデルを提案する。
強い忠実性の保証に加えて、我々の実装は多様な説明型を提供します。
論文 参考訳（メタデータ） (2020-05-04T12:31:29Z)
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。