論文の概要: Reflective Dialogue or Prompt Refinement? Effects of Tutor Scaffolding on Students' Independent LLM Use for Programming
- arxiv url: http://arxiv.org/abs/2607.03303v1
- Date: Fri, 03 Jul 2026 13:15:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.585643
- Title: Reflective Dialogue or Prompt Refinement? Effects of Tutor Scaffolding on Students' Independent LLM Use for Programming
- Title（参考訳）: リフレクティブ・ダイアログか, プロンプト・リファインメントか? : チュータ・スキャッホールディングが学生のプログラミングにおける独立したLCM利用に及ぼす影響
- Abstract要約: 大規模言語モデル(LLM)は、学習においてパーソナライズされたサポートを提供する。
本研究では,2種類のLLM学習者が学生の指導実践をどのように形作るかを検討した。
- 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: While Large Language Models (LLMs) can provide personalized support in learning, several studies have raised concerns regarding their use in education. Importantly, learning depends on how students engage with LLMs. This study examined how two types of LLM-based tutors shape students' prompting practices, learning, and subsequent LLM-use: a Socratic-Guidance (SG) tutor, which structures interaction through dialogic questioning, and a Prompt-Refinement (PR) tutor that guides the formulation of effective prompts. We conducted a two-phase study in a graduate-level mobile robotics course: 66 students used either the SG or PR tutor during a 6-week intervention, followed by 52 students using an unconstrained LLM during a 3-week course project. Results show that while the SG- and PR tutors led to similar task performance and prompting patterns during guided use, they differ in learning outcomes and later LLM-use. SG-students, relative to PR-student, achieved higher learning gains in later sessions, and were more likely to adopt understanding-driven prompting strategies, which are predictive of higher understanding, when using an unconstrained LLM. Although learners perceived the SG tutor as less efficient, the findings suggest that Socratic guidance supports the development of students' capacity to learn with LLMs over time, highlighting its importance for LLM tutor design.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、学習においてパーソナライズされたサポートを提供することができるが、いくつかの研究は、教育での使用に関して懸念を提起している。
重要なことは、学習は学生がLLMとどのように関わるかに依存する。
本研究では,2種類のLDMベースの教師が,対話的質問を通してインタラクションを構造化するSG(Socratic-Guidance)チューターと,効果的なプロンプトの定式化を導くPR(Prompt-Refinement)チューターを,学生のプロンプト,学習,その後のLDM-useをどう形成するかを検討した。
6週間の介入でSGとPRのチューターを66名,3週間のコースで52名の未拘束のLSMを52名,大学院レベルのモバイルロボティクスコースで2段階の学習を行った。
その結果、SG-とPRのチューターは類似したタスクパフォーマンスをもたらし、ガイド付き使用中にパターンを誘導するが、学習結果とその後のLCM-useが異なることがわかった。
SG学生は、PR学生と比較して、後続のセッションでより高い学習率を達成し、制約のないLLMを使用する場合、より高い理解を予測できる理解促進戦略を採用する傾向にあった。
学習者はSGテューターの効率は低かったが、ソクラテス的指導はLLMで学習する学生の時間的発達を支援することが示唆され、LLMチューター設計の重要性が強調された。
関連論文リスト
- Demystify, Use, Reflect, Assess (DURA): An Experience Report on LLM Integration in CS2 [11.901902742791357]
大規模言語モデル(LLM)の使用を可能にするため、CS2コースを再構築する。
まず LLM をデミスティフィケートし, 必要な属性で使用指導を行った。
また,LLM使用に関する学生のメタ認知を促進するために,学期中3地点でLLM使用に関するリフレクションを加えた。
論文 参考訳（メタデータ） (2026-06-29T20:57:52Z) - PATS: Personality-Aware Teaching Strategies with Large Language Model Tutors [66.56586559631516]
大型言語モデル (LLM) は教育教師としての可能性を秘めている。
しかし、異なる学習戦略は、異なる学生の個性に利益をもたらす。
それにもかかわらず、現在のLLM教育システムは生徒の性格特性を考慮に入れていない。
論文 参考訳（メタデータ） (2026-01-13T10:17:26Z) - LLM-Specific Utility: A New Perspective for Retrieval-Augmented Generation [110.610512800947]
Retrieval-augmented Generation (RAG)は、外部知識を取り入れた大規模言語モデル(LLM)を強化する。
既存の研究はしばしばユーティリティをジェネリック属性として扱い、異なるLLMが同じ通路から異なる利益をもたらすという事実を無視している。
論文 参考訳（メタデータ） (2025-10-13T12:57:45Z) - Investigating Student Interaction Patterns with Large Language Model-Powered Course Assistants in Computer Science Courses [4.761218834684297]
大規模言語モデル(LLM)は、このギャップを埋める上で有望であるが、学生とLLM間の相互作用は、教育者によって監督されることは滅多にない。
我々は,複数のコンピュータ科学コースにまたがって展開されるLLMを利用したコースアシスタントを開発し,実世界の利用を特徴付けるとともに,教育的意味を理解する。
論文 参考訳（メタデータ） (2025-09-10T02:21:11Z) - Exploring LLMs for Predicting Tutor Strategy and Student Outcomes in Dialogues [48.99818550820575]
近年の研究では、教師が使う戦略が学生の成績に重大な影響を与えることが示されている。
対話における教師戦略の予測に関する研究は少ない。
本稿では,現代のLLM,特にLlama 3 と GPT-4o を用いて,対話における将来の教師の動きと学生の成果を予測する能力について検討する。
論文 参考訳（メタデータ） (2025-07-09T14:47:35Z) - 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) - 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) - 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) - Impact of Guidance and Interaction Strategies for LLM Use on Learner Performance and Perception [19.335003380399527]
大規模言語モデル(LLM)は、その教育的有用性を探求する研究の増加とともに、有望な道を提供する。
本研究は,LLM支援学習環境の形成において,教師が果たす役割を強調した。
論文 参考訳（メタデータ） (2023-10-13T01:21:52Z) - Learning from Mistakes via Cooperative Study Assistant for Large
Language Models [17.318591492264023]
大規模言語モデル(LLM)は、自身のフィードバックに基づいて、その世代を洗練させる可能性を実証している。
SALAM(Studio Assistant for Large Language Model)は,ミスから学習する上で,主要なLLMを支援するための補助エージェントを備えた新しいフレームワークである。
論文 参考訳（メタデータ） (2023-05-23T08:51:08Z)
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。