論文の概要: CogTax: A Four-Level Cognitive Taxonomy for Command-Line Computing Education
- arxiv url: http://arxiv.org/abs/2607.00140v1
- Date: Tue, 30 Jun 2026 20:19:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.617685
- Title: CogTax: A Four-Level Cognitive Taxonomy for Command-Line Computing Education
- Title（参考訳）: CogTax: コマンドラインコンピューティング教育のための4レベル認知分類
- Abstract要約: この研究は、認知複雑性と運用への影響を統合する4段階の認知分類であるCogTaxを提示する。
授業資料のシークエンシングと評価の難しさの校正のための原則的枠組みを提供し、学生に自己評価とギャップ識別の明確な基準を与える。
- 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 computing education expands beyond traditional programming into operational domains such as systems administration and command-line environments, existing pedagogical frameworks struggle to capture a dimension that is critical in these contexts: the real-world consequences of learner actions. Existing cognitive taxonomies classify learning objectives by mental operations but do not account for system impact, leaving a critical gap in command-line education where conceptually simple commands can have severe consequences. This work presents CogTax, a four-level cognitive taxonomy that integrates two dimensions: cognitive complexity, derived from Bloom's Revised Taxonomy, and operational impact, which distinguishes observational, reversible, structural, and administrative operations. The four progressive levels range from safe read-only inspection to advanced system management requiring integration of multiple abstract models. Then, the taxonomy level is defined as the maximum of these dimensions, ensuring that both conceptual understanding and operational awareness are addressed. CogTax gives instructors a principled framework for sequencing course material and calibrating assessment difficulty, and gives students an explicit reference for self-assessment and gap identification. To demonstrate that taxonomy levels are automatically assignable, making the framework scalable without manual expert annotation, a classifier that combines syntactic representations derived from abstract syntax trees with semantic embeddings is trained. Evaluated on 585 expert-annotated Linux/bash commands, this combined approach achieves 89% accuracy, outperforming either representation alone, and demonstrates cross-language extensibility through structural equivalences across command languages.
- Abstract（参考訳）: コンピューティング教育が従来のプログラミングを超えて、システム管理やコマンドライン環境といった運用領域へと拡大するにつれ、既存の教育的フレームワークは、これらの文脈において重要な次元(学習者の行動の現実的な結果)を捉えるのに苦労する。
既存の認知分類学は、精神的な操作によって学習目標を分類するが、システムへの影響を考慮せず、概念的に単純なコマンドが深刻な結果をもたらすようなコマンドライン教育において重要なギャップを残している。
この研究は、認知複雑性(Bloom's Revised Taxonomy)と、観察的、可逆的、構造的、管理的操作を区別する運用的影響(Operation impact)の2つの次元を統合した4段階の認知分類であるCogTaxを提示する。
4つのプログレッシブレベルは、安全な読み取り専用検査から、複数の抽象モデルを統合する必要がある高度なシステム管理まで様々である。
そして、分類レベルをこれらの次元の最大値として定義し、概念的理解と運用的意識の両方に対処することを保証する。
CogTaxは授業資料のシークエンシングと評価困難の校正のための原則的枠組みを提供し、学生に自己評価とギャップ識別の明確な参照を与える。
分類レベルが自動的に割り当てられることを示し、手動のエキスパートアノテーションなしでフレームワークをスケーラブルにするため、抽象構文木から派生した構文表現とセマンティック埋め込みを併用する分類器を訓練する。
585のエキスパートアノテートLinux/bashコマンドに基づいて評価され、この組み合わせは89%の精度を実現し、どちらの表現よりも優れており、コマンド言語間の構造的等価性を通じて言語間の拡張性を実証している。
関連論文リスト
- General Machine Learning: Theory for Learning Under Variable Regimes [2.538209532048866]
本研究では,学習者,記憶状態,評価条件が時間とともに変化しうる状況下での学習について検討する。
本稿では, 許容輸送, 保護コア保存, 評価者対応学習の進化を主眼とした, 体制的変化の枠組みを開発する。
論文 参考訳（メタデータ） (2026-03-24T13:58:31Z) - Optimizing LLM Annotation of Classroom Discourse through Multi-Agent Orchestration [0.21410799064827235]
大規模言語モデル(LLM)は、教育データを注釈付けするためのスケーラブルなツールとしてますます位置づけられている。
しかし, シングルパスLCMの出力は, ハイテイクな教育施設では信頼性が低いことが示唆されている。
このスケールと妥当性の緊張は、現代の教育データ科学の核心にある。
論文 参考訳（メタデータ） (2026-03-08T16:51:03Z) - From Labels to Facets: Building a Taxonomically Enriched Turkish Learner Corpus [0.0]
本稿では,最近提案された表層分類に基づく学習者コーパスに対する半粒度アノテーション手法を提案する。
分類学は、各エラーインスタンスの根底にある言語特性をキャプチャする理論的に基礎付けられた多次元分類を提供する。
その結果得られた分類学的に富んだコーパスは、クエリ機能を強化し、学習者コーパス間の詳細な探索分析をサポートする。
論文 参考訳（メタデータ） (2026-01-30T11:52:49Z) - Fuzzy, Symbolic, and Contextual: Enhancing LLM Instruction via Cognitive Scaffolding [3.553493344868413]
本研究では,指導対話における大規模言語モデル(LLM)の認知行動に,素早いレベルの帰納的バイアスがどう影響するかを検討する。
本稿では,適応的,構造化された推論を促進するために,短期記憶スキーマと組み合わせたシンボリックスキャフォールディング手法を提案する。
予備的な結果は、我々の完全なシステムがベースラインの変種を一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2025-08-28T20:46:13Z) - Transforming Expert Knowledge into Scalable Ontology via Large Language Models [0.0]
従来の分類学的アライメントへのアプローチは、概念ペアのエキスパートレビューに依存している。
本稿では,大規模言語モデル(LLM)とエキスパートキャリブレーション,反復的プロンプト最適化を組み合わせた新しいフレームワークを提案する。
F1スコアは0.97で、人間のベンチマーク0.68をほぼ上回りました。
論文 参考訳（メタデータ） (2025-06-10T03:48:26Z) - IntCoOp: Interpretability-Aware Vision-Language Prompt Tuning [94.52149969720712]
IntCoOpは、プロンプトチューニング中に属性レベルの帰納バイアスとクラス埋め込みを共同で調整することを学ぶ。
IntCoOpは10種類のデータセットの平均パフォーマンスを7.35%改善した。
論文 参考訳（メタデータ） (2024-06-19T16:37:31Z) - Coarse-to-Fine: Hierarchical Multi-task Learning for Natural Language
Understanding [51.31622274823167]
本稿では,各タスクの下位レベルを全タスクに共有し,中間レベルを異なるグループに分割し,上位レベルを各タスクに割り当てる,粗大なパラダイムを持つ階層型フレームワークを提案する。
これにより、すべてのタスクから基本言語特性を学習し、関連するタスクのパフォーマンスを高め、無関係なタスクから負の影響を減らすことができる。
論文 参考訳（メタデータ） (2022-08-19T02:46:20Z) - Supporting Vision-Language Model Inference with Confounder-pruning Knowledge Prompt [71.77504700496004]
視覚言語モデルは、オープンセットの視覚概念を扱うために、画像とテキストのペアを共通の空間に整列させることで事前訓練される。
事前訓練されたモデルの転送可能性を高めるため、最近の研究では、固定または学習可能なプロンプトが採用されている。
しかし、どのようにして、どのプロンプトが推論性能を改善するのかは、まだ不明である。
論文 参考訳（メタデータ） (2022-05-23T07:51:15Z) - Evaluation of semantic relations impact in query expansion-based
retrieval systems [0.29008108937701327]
本稿では,与えられた分類のラベルを情報源として資源を生成する。
得られたリソースは、一連の入力クエリをインテントとして再構成するプレーン分類器に統合される。
この評価は、多種多様な分類をユースケースとして採用し、そのラベルを意味的拡張の基礎として利用している。
論文 参考訳（メタデータ） (2022-03-30T12:06:32Z) - Neural Abstructions: Abstractions that Support Construction for Grounded
Language Learning [69.1137074774244]
言語の相互作用を効果的に活用するには、言語基底に対する2つの最も一般的なアプローチの制限に対処する必要がある。
本稿では,ラベル条件付き生成モデルの推論手順に対する制約のセットであるニューラル・アブストラクションの考え方を紹介する。
この手法により,マインクラフトにおけるオープンエンドハウスタスクのセマンティックな変更をユーザ人口が構築できることが示される。
論文 参考訳（メタデータ） (2021-07-20T07:01:15Z) - A Minimalist Dataset for Systematic Generalization of Perception,
Syntax, and Semantics [131.93113552146195]
我々は,機械が一般化可能な概念を学習する能力を調べるため,新しいデータセットであるHINT(Hand written arithmetic with INTegers)を提案する。
HINTでは、イメージなどの生信号から概念がどのように認識されるかを学ぶことが機械のタスクである。
我々は、RNN、Transformer、GPT-3など、様々なシーケンス・ツー・シーケンスモデルで広範囲に実験を行った。
論文 参考訳（メタデータ） (2021-03-02T01:32:54Z) - Concept Learners for Few-Shot Learning [76.08585517480807]
本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。
我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
論文 参考訳（メタデータ） (2020-07-14T22:04:17Z)
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。