論文の概要: Toward AI-Resilient Assessment in Computer Science Courses in an AI-Native World
- arxiv url: http://arxiv.org/abs/2606.30655v1
- Date: Tue, 16 Jun 2026 04:54:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-05 17:01:29.6091
- Title: Toward AI-Resilient Assessment in Computer Science Courses in an AI-Native World
- Title（参考訳）: AI-Native Worldにおけるコンピュータサイエンス講座におけるAI-レジリエントアセスメントに向けて
- Abstract要約: AIネイティブコースアセスメントは、強力なAIベースラインを超えて成果を達成する能力によって、学生を格付けするべきである。
本稿では,この目的のための最小限の形式的枠組みを提案する。
ライス大学におけるCompe 480/580のためのブルームフィルタを中心としたAI-レジリエントな近似メンバーシップの割り当てについて述べる。
- 参考スコア（独自算出の注目度）: 29.886304642534743
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI-native course assessments in senior computer science courses and related fields should grade students by \emph{AI-resilient skill}: the ability to achieve outcomes beyond a strong AI baseline. Such assessments should allow students to use AI freely, while reducing the extent to which greater private AI budget or more intensive AI use, by itself, becomes a grading advantage. This paper proposes a minimal formal framework for this goal. The framework specifies a real task, an executable evaluator, a declared AI-native Pareto frontier, and a grading rule based on Pareto surplus. The central claim is simple: Pareto surplus provides a measurable, protocol-relative certificate that a submitted artifact achieves a tradeoff not already supplied by the declared AI baseline, and grading by this surplus is AI-resilient with respect to that baseline. Interpreting surplus as evidence of student skill requires the surrounding assessment protocol--for example, design reports, ablations, prompt traces, oral checks, or reproducibility explanations--but the grading certificate itself is behavioral and executable. The framework is then extended to practical complications, including self-improving AI loops, budget neutrality, server-mediated feedback, and prompt-based red teaming. As a concrete instantiation, we describe an AI-resilient approximate-membership assignment centered on Bloom filters for COMP 480/580 at Rice University, designed to test whether students can improve beyond AI-generated implementations.
- Abstract（参考訳）: コンピュータサイエンスの上級コースや関連分野におけるAIネイティブなコースアセスメントは、強力なAIベースラインを超えて成果を達成する能力である「emph{AI-Resilient skill}」で学生を評価すべきである。
このような評価は、学生がAIを自由に利用できるようにすると同時に、よりプライベートなAI予算やより集中的なAI利用が、それ自体がグレードの優位性になる範囲を減らしなくてはならない。
本稿では,この目的のための最小限の形式的枠組みを提案する。
このフレームワークは、実際のタスク、実行可能な評価器、宣言されたAIネイティブなParetoフロンティア、Pareto余剰に基づくグレーディングルールを指定する。
Pareto surplusは、提案されたアーティファクトが宣言されたAIベースラインが提供していないトレードオフを達成するための測定可能なプロトコル関連証明書を提供する。
余剰を学生のスキルの証拠として解釈するには、周囲のアセスメントプロトコル、例えば、設計報告、改善、プロンプトトレース、口頭検査、再現性説明が必要です。
フレームワークはその後、自己改善型AIループ、予算中立性、サーバ経由のフィードバック、プロンプトベースのレッドチームなど、実用的な複雑さにまで拡張される。
具体的インスタンス化として,ライス大学におけるCompe 480/580のブルームフィルタを中心としたAI-レジリエントな近似メンバーシップの割り当てについて述べる。
関連論文リスト
- Integrating AI into Requirements Quality Learning in Software Engineering Education: A TPACK-Guided Empirical Study [0.43398392878696535]
学生はAIツールを主に分析と評価のサポートとして選択的に使用した。
学生は、条件付き信頼、積極的な改善、品質基準に対する意識の向上を報告した。
論文 参考訳（メタデータ） (2026-07-30T13:15:16Z) - Characterizing initial human-AI proof formalization workflows [66.06866890889131]
AIシステムのコード生成能力の進歩と、証明を形式化し、検証する人々の能力を変えるための高度な数学的推論の約束への関与。
我々は、AIが人々のフォーマル化に与える影響について、混合メソッド分析を行う。
質的な調査では、人々の好みは多様であるが、形式化におけるAI支援に対する一般的な欲求が示されている。
論文 参考訳（メタデータ） (2026-06-02T22:58:19Z) - Preparing Students for AI-Powered Materials Discovery: A Workflow-Aligned Framework for AI Literacy, Equity, and Scientific Judgment [0.0]
AIを活用した材料発見のためのAI教育は、ツールアクセスを超えて、生成AIシステムとの表面レベルのインタラクションを行なわなければならない、と我々は主張する。
中心的な目標は、AIツールのより効率的なユーザではなく、より良い科学者になるために学生を準備することだ。
論文 参考訳（メタデータ） (2026-05-10T16:11:01Z) - 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) - Ensuring Computer Science Learning in the AI Era: Open Generative AI Policies and Assignment-Driven Written Quizzes [0.0]
本稿では、家庭内プログラミングの課題に生成AIを使用できるアセスメントモデルを提案する。
真正学習を促進するために、クラス内のクローズドブックアセスメントは課題そのものよりも重み付けされている。
統計分析の結果,GenAI使用率と評価結果との間に有意な線形相関は認められなかった。
論文 参考訳（メタデータ） (2026-01-16T17:02:44Z) - Designing AI-Resilient Assessments Using Interconnected Problems: A Theoretically Grounded and Empirically Validated Framework [0.0]
生成AIの急速な採用により、コンピューティング教育における従来のモジュラーアセスメントが損なわれている。
本稿では,AI-レジリエントアセスメントを設計するための理論的基盤となる枠組みを提案する。
論文 参考訳（メタデータ） (2025-12-11T15:53:19Z) - CoCoNUTS: Concentrating on Content while Neglecting Uninformative Textual Styles for AI-Generated Peer Review Detection [60.52240468810558]
我々は、AI生成ピアレビューの詳細なデータセットの上に構築されたコンテンツ指向ベンチマークであるCoCoNUTSを紹介する。
また、マルチタスク学習フレームワークを介してAIレビュー検出を行うCoCoDetを開発し、レビューコンテンツにおけるAIのより正確で堅牢な検出を実現する。
論文 参考訳（メタデータ） (2025-08-28T06:03:11Z) - The next question after Turing's question: Introducing the Grow-AI test [51.56484100374058]
本研究は,GROW-AIと呼ばれる人工知能評価の枠組みを拡張することを目的としている。
GROW-AIは、チューリングテストの自然な後継者である"Can Machine grow up?
この作品の独創性は、人間の世界から人工知能への「成長」過程の概念的な変換にある。
論文 参考訳（メタデータ） (2025-08-22T10:19:42Z) - General Scales Unlock AI Evaluation with Explanatory and Predictive Power [57.7995945974989]
ベンチマークはAIの進歩を導くものだが、汎用AIシステムには限られた説明力と予測力を提供している。
私たちは、一般的なAIベンチマークが実際に何を計測しているかを説明することができる、AI評価のための一般的な尺度を紹介します。
私たちの完全に自動化された方法論は、飽和しない一般的なスケールにインスタンス要求を配置する18の新しく作られたルーリックの上に構築されます。
論文 参考訳（メタデータ） (2025-03-09T01:13:56Z) - Validity Arguments For Constructed Response Scoring Using Generative Artificial Intelligence Applications [0.0]
ジェネレーティブAIは、従来のAIスコアリングにおける手作り機能に必要な労力を減らすため、特に魅力的である。
我々は,人間の評価,特徴に基づく自然言語処理AIスコアリングエンジン,生成AIを用いたスコアリングシステムに必要な妥当性証拠を比較した。
論文 参考訳（メタデータ） (2025-01-04T16:59:29Z) - Exploration with Principles for Diverse AI Supervision [88.61687950039662]
次世代の予測を用いた大規模トランスフォーマーのトレーニングは、AIの画期的な進歩を生み出した。
この生成AIアプローチは印象的な結果をもたらしたが、人間の監督に大きく依存している。
この人間の監視への強い依存は、AIイノベーションの進歩に重大なハードルをもたらす。
本稿では,高品質なトレーニングデータを自律的に生成することを目的とした,探索型AI(EAI)という新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2023-10-13T07:03:39Z) - An interdisciplinary conceptual study of Artificial Intelligence (AI)
for helping benefit-risk assessment practices: Towards a comprehensive
qualification matrix of AI programs and devices (pre-print 2020) [55.41644538483948]
本稿では,インテリジェンスの概念に対処するさまざまな分野の既存の概念を包括的に分析する。
目的は、AIシステムを評価するための共有概念や相違点を特定することである。
論文 参考訳（メタデータ） (2021-05-07T12:01:31Z)
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。