論文の概要: Constructing Epistemic AI Literacy: Detecting Epistemic Aims and Processes in Student-AI Co-Programming
- arxiv url: http://arxiv.org/abs/2607.00211v1
- Date: Tue, 30 Jun 2026 21:43:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.647534
- Title: Constructing Epistemic AI Literacy: Detecting Epistemic Aims and Processes in Student-AI Co-Programming
- Title（参考訳）: 疫学AIリテラシーの構築:学生とAI共同プログラミングにおける疫学の目的とプロセスの検出
- Abstract要約: 創造的人工知能(GenAI)を応用する学生の学習過程において、疫学的思考が中心的な役割を担っている
本研究では、疫学AIリテラシー(EAIL)の概念的枠組みを紹介する。
その結果、EAILの欠如が顕著であり、78.8%の学生-GenAI相互作用は、非専門的目的に依存していることが明らかとなった。
- 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: Epistemic thinking plays a central role in students' learning processes when applying generative artificial intelligence (GenAI), particularly in programming contexts where learners must construct queries, evaluate and validate AI-generated outputs, and regulate problem-solving strategies. This study introduces the conceptual framework of Epistemic AI Literacy (EAIL), reframing AI literacy as a process-oriented epistemic phenomenon that emerges through dynamic human-AI interactions across different domains. Drawing on the AIR (epistemic aims, ideals and reliable epistemic processes) framework, this study examines how epistemic aims and epistemic processes are enacted in GenAI-supported co-programming activities and explores scalable approaches for operationalizing these constructs in interaction data. Using a large dialogue dataset of human-AI co-programming, this study identifies observable dimensions of epistemic aims (i.e., mastery-oriented aims) and epistemic processes (i.e., outsourcing, explanation seeking, verification seeking, prompt monitoring, and epistemic justification). The results reveal a prevalent lack of EAIL, with 78.8% of student-GenAI interactions relying on non-mastery-oriented aims and less reliable epistemic strategies like outsourcing and verification-seeking. Conversely, only 11.1% of interactions showed high epistemic engagement, where mastery-oriented aims were coupled with advanced epistemic strategies like epistemic justification in a more reliable epistemic process.
- Abstract（参考訳）: 感情的思考は、生成的人工知能(GenAI)を適用する際の学習過程において、特に、学習者がクエリを構築し、AI生成したアウトプットを評価し、評価し、問題解決戦略を規制するプログラミングコンテキストにおいて、中心的な役割を担っている。
本研究では,AIリテラシー(EAIL)の概念的枠組みを紹介し,異なるドメイン間の動的人間とAIの相互作用を通じて生じるプロセス指向の疫学現象として,AIリテラシーをリフレーミングする。
本研究は,genAIが支援する共同プログラミング活動において,疫学的な目的と疫学的なプロセスがどのように実現されているかを検討するとともに,これらの構造を対話データで運用するためのスケーラブルなアプローチを探究するものである。
本研究は,ヒト-AI共同プログラミングの対話データセットを用いて,表皮的目的(熟達目的)と表皮的プロセス(アウトソーシング,説明探索,検証探索,即時監視,および表皮的正当化)の可観測次元を同定する。
その結果、EAILが欠如していることが明らかとなり、78.8%の学生とGenAIの相互作用は、非専門的な目的に依存し、アウトソーシングや検証探索のような信頼性の低い疫学戦略に依存している。
逆に、11.1%の相互作用は高度のてんかんのエンゲージメントを示しており、そこでは熟達志向の目的と、より信頼性の高いてんかんのプロセスにおけるてんかんの正当化のような高度なてんかんの戦略が組み合わされた。
関連論文リスト
- Industrialized Deception: The Collateral Effects of LLM-Generated Misinformation on Digital Ecosystems [47.03825808787752]
本稿では,文献レビューから実践的対策へ移行する。
本稿では,Large Language Models(LLM)とマルチモーダルシステムによるAI生成コンテンツの改善について報告する。
我々は, LLMに基づく検出, 接種アプローチ, および生成AIの二重利用特性を含む緩和戦略について論じる。
論文 参考訳（メタデータ） (2026-01-29T16:42:22Z) - Uncovering Students' Inquiry Patterns in GenAI-Supported Clinical Practice: An Integration of Epistemic Network Analysis and Sequential Pattern Mining [9.4751316250728]
本研究は,GenAIを用いた仮想患者に対する臨床コミュニケーション能力の発達過程を学習分析に応用した。
オーストラリアとマレーシアの323人の学生の対話ログを分析し,1,487人の学生-GenAI対話から50,871人の音声を符号化した。
ハイパフォーマーは、臨床関連情報の認識、ラプポート構築と構造組織の統合、低パフォーマーは定期的な質問検証ループに留まった。
論文 参考訳（メタデータ） (2025-12-04T02:08:21Z) - AI Deception: Risks, Dynamics, and Controls [153.71048309527225]
このプロジェクトは、AI偽装分野の包括的で最新の概要を提供する。
我々は、動物の偽装の研究からシグナル伝達理論に基づく、AI偽装の正式な定義を同定する。
我々は,AI偽装研究の展望を,偽装発生と偽装処理の2つの主要な構成要素からなる偽装サイクルとして整理する。
論文 参考訳（メタデータ） (2025-11-27T16:56:04Z) - Agentic AI as Undercover Teammates: Argumentative Knowledge Construction in Hybrid Human-AI Collaborative Learning [6.109253207492508]
生成人工知能(AI)エージェントは、協調学習環境にますます組み込まれている。
本研究では,協調推論のダイナミクスを形作るエージェントAIについて検討した。
論文 参考訳（メタデータ） (2025-10-19T14:26:15Z) - Classifying Epistemic Relationships in Human-AI Interaction: An Exploratory Approach [0.6906005491572401]
本研究は,研究と教育の文脈において,ユーザがAIをどのように評価し,信頼し,協力するかを調査する。
専門分野にまたがる31人の学者へのインタビューをもとに、5つのパートのコードブックを作成し、5つの関係タイプを特定した。
論文 参考訳（メタデータ） (2025-08-02T23:41:28Z) - Medical Reasoning in the Era of LLMs: A Systematic Review of Enhancement Techniques and Applications [59.721265428780946]
医学における大きな言語モデル(LLM)は印象的な能力を実現しているが、体系的で透明で検証可能な推論を行う能力に重大なギャップが残っている。
本稿は、この新興分野に関する最初の体系的なレビューを提供する。
本稿では,学習時間戦略とテスト時間メカニズムに分類した推論強化手法の分類法を提案する。
論文 参考訳（メタデータ） (2025-08-01T14:41:31Z) - When Models Know More Than They Can Explain: Quantifying Knowledge Transfer in Human-AI Collaboration [79.69935257008467]
我々は,人間とAIの知識伝達能力に関する概念的かつ実験的フレームワークである知識統合と伝達評価(KITE)を紹介する。
最初の大規模人間実験(N=118)を行い,その測定を行った。
2段階のセットアップでは、まずAIを使って問題解決戦略を思いつき、その後独立してソリューションを実装し、モデル説明が人間の理解に与える影響を分離します。
論文 参考訳（メタデータ） (2025-06-05T20:48:16Z) - A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。
大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。
我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
論文 参考訳（メタデータ） (2025-04-12T01:27:49Z) - Beyond Tools: Generative AI as Epistemic Infrastructure in Education [0.0]
生成AIは、世界中の教育インフラに急速に統合される。
本稿では,AIシステムが教育におけるてんかんの基盤として機能するかを考察する。
教師が3次元にまたがる実践に与える影響を分析する。
論文 参考訳（メタデータ） (2025-04-09T14:35:30Z) - Towards Next-Generation Medical Agent: How o1 is Reshaping Decision-Making in Medical Scenarios [46.729092855387165]
本稿では,医療用AIエージェントのバックボーンLSMの選択について検討する。
我々の研究結果は、o1の診断精度と一貫性を高める能力を示し、よりスマートでより応答性の高いAIツールへの道を開いた。
論文 参考訳（メタデータ） (2024-11-16T18:19:53Z) - Augmenting the Author: Exploring the Potential of AI Collaboration in Academic Writing [25.572926673827165]
このケーススタディは、学術的な仕事において、責任と効果的なAI統合を保証するためのAIの限界を認識し、設計、出力分析、そして認識することの重要性を強調します。
この論文は、効果的なプロンプト戦略を探求し、Gen AIモデルの比較分析を提供することにより、ヒューマン・コンピュータインタラクションの分野に貢献する。
論文 参考訳（メタデータ） (2024-04-23T19:06:39Z) - Adversarial Interaction Attack: Fooling AI to Misinterpret Human
Intentions [46.87576410532481]
現在の大きな成功にもかかわらず、ディープラーニングベースのAIシステムは、微妙な敵対的ノイズによって容易に騙されることを示した。
骨格に基づくヒトの相互作用のケーススタディに基づき、相互作用に対する新しい敵対的攻撃を提案する。
本研究では、安全クリティカルなアプリケーションにAIシステムをデプロイする際に慎重に対処する必要があるAIと人間との相互作用ループにおける潜在的なリスクを強調します。
論文 参考訳（メタデータ） (2021-01-17T16:23:20Z)
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。