論文の概要: Less Deliberate in Teams: Student LLM Use Across Individual and Collaborative Work

• arxiv url: http://arxiv.org/abs/2606.30860v1
• Date: Mon, 29 Jun 2026 19:45:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:18.995107
• Title: Less Deliberate in Teams: Student LLM Use Across Individual and Collaborative Work
• Title（参考訳）: チームにおける議論の少ない:学生のLLMは、個人的および協力的な作業にまたがって使用される
• Abstract要約: 本報告では,6つの課題を修了した96人の大学生を対象とした学年次調査の結果を報告する。 LLMの使用率は、学生が個別の作業から最初のマイルストーンに移行したときに42.7%減少した。 学生はまた、より少ない、より単純なプロンプトを書き、意図的なプロンプト戦略を減らし、LSMのアウトプットを慎重にチェックした。
• 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 large language models (LLMs) become common in computing courses, we need to understand how the social setting shapes how students use them. This paper reports findings from a semester-long study of 96 undergraduate students who completed six assignments, alternating between individual homework and team project milestones. We tracked LLM usage, prompting habits, and how students verified AI-generated output across all six assignments. LLM usage dropped by 42.7 percentage points when students moved from individual work to their first team milestone, then partly recovered in later team tasks. Students also wrote fewer and simpler prompts, used fewer intentional prompting strategies, and checked LLM output less carefully. The share of students who ran tests on AI-generated code fell by 19.4 percentage points during team assignments and never fully rebounded. A within-student analysis found that 18.9% of students who consistently used LLMs on their own stopped using them entirely in teams, while only 3.2% went the other direction. These results suggest that collaborative context is associated with reduced deliberate LLM engagement beyond what task type alone can explain. The moment students form teams appears to be a critical and currently unsupported turning point in computing course design.
• Abstract（参考訳）: 大規模言語モデル(LLM)がコンピュータ・コースで一般的になるにつれ、社会設定がどのように学生が使用するかを理解する必要がある。 本報告では,6つの課題を修了した96人の大学生を対象に,個別の宿題とチームプロジェクトマイルストーンの交互に実施した。 我々は、LLMの使用状況、習慣の促進、学生が6つの課題にまたがってAI生成のアウトプットをどのように検証したかを追跡した。 LLMの使用率は、学生が個々の作業から最初のマイルストーンに移行した後に42.7%減少し、その後のチームのタスクで部分的に回復した。 学生はまた、より少ない、より単純なプロンプトを書き、意図的なプロンプト戦略を減らし、LSMのアウトプットを慎重にチェックした。 AI生成コードのテストを行った学生のシェアは、チームの割り当て中に19.4%減少し、完全にリバウンドされることはなかった。 学生の18.9%がチームでのLLMの使用をやめ、わずか3.2%しか反対方向に進まなかった。 これらの結果から,コラボレーティブコンテキストは,タスクタイプだけで説明できる以上の意図的LLMエンゲージメントの減少と関連していると考えられる。 学生がチームを形成する瞬間は、コンピューティングのコース設計において、重要かつ現在サポートされていない転換点のようだ。

関連論文リスト

• Effects of Varying LLM Access on Essay Writing Behavior [19.737546860572465]
  本研究では,大規模言語モデル(LLM)の様々なレベルが,文章の書き方,エンゲージメント,著者意識に与える影響について検討した。 全体として、エッセイの質は集団間で統計的に区別できないものであったが、執筆行動や著者の認識は急激に変化した。 我々の知見は、LLMアクセスは禁止ではなく、AIアシストの足場的利点を維持しながら、著者の信頼を維持する可能性があることを示唆している。
  論文  参考訳（メタデータ） (2026-05-29T18:30:30Z)
• Once Upon a Team: Investigating Bias in LLM-Driven Software Team Composition and Task Allocation [48.2168236140771]
  本研究では,LLMがチーム構成やタスク割り当てに偏りを示すかどうかを検討する。 3つのLSMと3000のシミュレートされた決定を用いて、系統的な差異を見出す。 以上の結果から,LLMはソフトウェア工学の文脈において,人口的不平等を悪化させていることが示唆された。
  論文  参考訳（メタデータ） (2026-01-07T12:13:22Z)
• Can Large Language Models Help Students Prove Software Correctness? An Experimental Study with Dafny [75.55915044740566]
  コンピューティング教育の学生は、ChatGPTのような大きな言語モデル(LLM)をますます利用している。 本稿では,Dafny の形式的検証演習において,学生が LLM とどのように相互作用するかを検討する。
  論文  参考訳（メタデータ） (2025-06-27T16:34:13Z)
• An Empirical Study of Many-to-Many Summarization with Large Language Models [82.10000188179168]
  大規模言語モデル(LLM)は強い多言語能力を示しており、実アプリケーションでM2MS(Multi-to-Many summarization)を実行する可能性を秘めている。 本研究は,LLMのM2MS能力に関する系統的研究である。
  論文  参考訳（メタデータ） (2025-05-19T11:18:54Z)
• LLMs Get Lost In Multi-Turn Conversation [44.26588510453331]
  LLM(Large Language Models)は、対話型インタフェースである。 LLMは、手元のタスクを完全に指定できるだけでなく、マルチターンの会話交換を通じて必要なものを定義、探索、洗練する上でも、ユーザを支援することができる。
  論文  参考訳（メタデータ） (2025-05-09T15:21:44Z)
• The StudyChat Dataset: Student Dialogues With ChatGPT in an Artificial Intelligence Course [1.9116784879310025]
  大規模言語モデル(LLM)は教育に大きな影響を与え、機会と課題の両方を提起している。 本研究では,LLMを用いた実世界の学生インタラクションのデータセットであるStudioChatを紹介する。 本稿では,ChatGPTのコア機能を再現したWebアプリケーションをデプロイし,学生のLLMとのインタラクションをログに記録する。 これらの相互作用を分析し、利用傾向を強調し、特定の生徒の行動がコースの結果とどのように関連しているかを分析する。
  論文  参考訳（メタデータ） (2025-03-11T00:17:07Z)
• Embracing AI in Education: Understanding the Surge in Large Language Model Use by Secondary Students [53.20318273452059]
  OpenAIのChatGPTのような大規模言語モデル(LLM)は、新しい教育の道を開いた。 学校制限にもかかわらず,中高生300人以上を対象に調査を行ったところ,学生の70%がLDMを利用していることがわかった。 我々は、対象特化モデル、パーソナライズドラーニング、AI教室など、このような問題に対処するいくつかのアイデアを提案する。
  論文  参考訳（メタデータ） (2024-11-27T19:19:34Z)
• LLMs are Imperfect, Then What? An Empirical Study on LLM Failures in Software Engineering [38.20696656193963]
  非自明なソフトウェアエンジニアリングタスクにおいて,ChatGPTをコーディングアシスタントとして使用した22名の参加者を対象に,観察的研究を行った。 そこで我々は,ChatGPTが失敗した事例,その根本原因,およびユーザが使用する緩和ソリューションを特定した。
  論文  参考訳（メタデータ） (2024-11-15T03:29:41Z)
• Exploring Knowledge Tracing in Tutor-Student Dialogues using LLMs [49.18567856499736]
  本研究では,大規模言語モデル(LLM)が対話学習を支援することができるかどうかを検討する。 我々は,学習者の知識レベルを対話全体にわたって追跡するために,ラベル付きデータに知識追跡(KT)手法を適用した。 我々は,2つの学習対話データセットの実験を行い,従来のKT手法よりも学生の反応の正しさを予測できる新しいLCM-based method LLMKTが優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-24T22:31:39Z)
• Insights from Social Shaping Theory: The Appropriation of Large Language Models in an Undergraduate Programming Course [0.9718746651638346]
  大規模言語モデル(LLM)は、コードを生成、デバッグ、説明することができる。 本研究は,学生の社会的知覚が自身のLLM利用にどのように影響するかを考察する。
  論文  参考訳（メタデータ） (2024-06-10T16:40:14Z)
• ProCoT: Stimulating Critical Thinking and Writing of Students through Engagement with Large Language Models (LLMs) [0.7545833157486899]
  我々はProCoT(Probing Chain-of-Thought)と呼ばれる新しい筆記法を導入する。 学生がLarge Language Model(LLM)を使って浮気することを防ぐかもしれない 65名の学生を対象に,ProCoTを用いて2つのコースで研究を行った。
  論文  参考訳（メタデータ） (2023-12-15T14:01:46Z)
• TRACE: A Comprehensive Benchmark for Continual Learning in Large Language Models [52.734140807634624]
  調整された大規模言語モデル(LLM)は、タスク解決、指示に従うこと、安全性を確保することにおいて、例外的な能力を示す。 既存の連続学習ベンチマークでは、LLMをリードする上で十分な課題が欠如している。 LLMにおける継続学習を評価するための新しいベンチマークであるTRACEを紹介する。
  論文  参考訳（メタデータ） (2023-10-10T16:38:49Z)

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。