論文の概要: Say What? Examining Text and Voice Input Modalities for Prompt-Based Programming in Computing Education
- arxiv url: http://arxiv.org/abs/2607.05808v1
- Date: Tue, 07 Jul 2026 04:04:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.395808
- Title: Say What? Examining Text and Voice Input Modalities for Prompt-Based Programming in Computing Education
- Title（参考訳）: コンピュータ教育におけるプロンプト型プログラミングのためのテキストと音声入力のモダリティの検討
- Abstract要約: 本研究では,プログラミング学生がプロンプト問題とどのように相互作用するかを検討した。
プロンプト問題は、正しいコードを生成するために自然言語のプロンプトを作成する必要があるプログラミングタスクである。
テキストを使ってプロンプトを入力した学生は、最初の試みでそのプロンプトを成功させる可能性が高かった。
学生が提出前に書き起こした音声のプロンプトを編集しても、成功率に差はなかった。
- 参考スコア（独自算出の注目度）: 18.18479797325814
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) are increasingly integrated into computing education, yet nearly all prior research has focused on text-based interactions. As voice-enabled interfaces become more capable and more common, there is growing interest in understanding how voice input might shape students' use of LLM-powered tools. In this exploratory study, we investigated how introductory programming students interact with Prompt Problems, which are programming tasks that require crafting natural-language prompts to generate correct code. Students (N = 919) solved a series of Prompt Problems with the freedom to select or switch between text and voice input modalities. We collected their prompt submissions as well as post-activity survey responses, then analysed differences in prompt accuracy, persistence, and perspectives by modality. For two of the three problems, we found that students who typed their prompts using text were more likely to have those prompts succeed on the first attempt than students who submitted unedited voice prompts. There was no difference in success rate if students edited their transcribed voice prompts before submission. Across the problems, we found evidence that students who tried voice prompting varied in their usage of modality - perhaps indicating a complementary, or non-preferential approach. However, most students only tried and reported preferring text. Our qualitative analysis revealed how students' perceived the roles of voice and text input in shaping their problem-solving process, as well as the reported drawbacks and advantages of each modality. We discuss implications for future multimodal tools and instructional design in computing education.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、コンピュータ教育にますます統合されているが、これまでの研究はほとんどがテキストベースの相互作用に重点を置いていた。
音声対応インタフェースがより有能になり、より一般的になるにつれて、音声入力が学生のLLMツールの使用をいかに形作るかを理解することへの関心が高まっている。
そこで,本研究では,学習者がプロンプト問題とどのように相互作用するかを探索的に検討し,自然言語のプロンプトを作らなければならないプログラミング課題について検討した。
学生 (N = 919) はテキストと音声入力のモダリティの選択や切り替えを自由に行うことで一連のプロンプト問題を解いた。
提案した回答とポストアクティブ調査の回答を収集し, 即時精度, 持続性, 視点の相違をモダリティで分析した。
3つの問題のうちの2つについて, テキストを用いた指示書を入力した学生は, 未編集音声の指示書を提出した学生よりも, 最初の試みでその指示書を成功させる傾向が見られた。
学生が提出する前に書き起こした音声のプロンプトを編集しても、成功率に差はなかった。
問題全体では,発話を促そうとする学生は,おそらく相補的あるいは非選好的アプローチを示すため,モダリティの使用によって異なることが判明した。
しかし、ほとんどの学生はテキストを優先して試行し、報告しただけだった。
質的分析により,学生が問題解決過程を形作る上での音声とテキストの入力の役割と,各モダリティの欠点と利点が明らかになった。
本稿では,コンピュータ教育における将来的なマルチモーダルツールと教育設計の意義について論じる。
関連論文リスト
- GenAI Voice Mode in Programming Education [0.0]
マルチモーダル生成AI(GenAI)を用いたリアルタイム音声インタフェースは、障害のある初心者プログラマのアクセシビリティニーズに対処する可能性がある。
そこで本稿では,Python を学習しながら,9年生9人の音声対話を教室環境における音声対応チューターを用いて分析する。
論文 参考訳（メタデータ） (2025-09-12T15:25:08Z) - Students' Feedback Requests and Interactions with the SCRIPT Chatbot: Do They Get What They Ask For? [0.0]
生成AI(GenAI)と関連するプログラミング教育ツールに関する先行研究に基づいて,初等学習者を支援するためのSCRIPTを開発した。
SCRIPTは、事前に定義されたプロンプトを通じて、オープンエンドのインタラクションと構造化されたガイダンスを可能にする。
学生がSCRIPTとどのように相互作用するかを,フィードバックの好みに焦点をあてて分析した。
論文 参考訳（メタデータ） (2025-07-23T06:56:26Z) - 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) - From Prompts to Propositions: A Logic-Based Lens on Student-LLM Interactions [9.032718302451501]
Prompt2Constraintsは,学生のプロンプトを論理的制約に翻訳する新しい手法である。
この手法を用いて,203人の生徒による1,872件のプロンプトのデータセットを解析する。
成功し、失敗した試みは、全体として同じ数の制約を使う傾向にあるが、学生が失敗すると、そのプロンプトはより大幅に修正されることが多い。
論文 参考訳（メタデータ） (2025-04-25T20:58:16Z) - SpeechPrompt: Prompting Speech Language Models for Speech Processing Tasks [94.10497337235083]
我々はまず,音声処理分野における音声 LM の促進の可能性を探る。
音声処理タスクを音声単位生成タスクに再構成する。
提案手法は, 強い微調整法と比較して, 競争性能を向上できることを示す。
論文 参考訳（メタデータ） (2024-08-23T13:00:10Z) - Students' Perceptions and Preferences of Generative Artificial
Intelligence Feedback for Programming [15.372316943507506]
そこで我々はChatGPT APIを用いて,導入型コンピュータサイエンスクラスにおける4つの実験室割り当てのための自動フィードバックを生成した。
学生は、フィードバックは、Shuteが確立した形式的なフィードバックガイドラインとよく一致していると感じた。
学生は通常、十分なコード例で特定の修正フィードバックを期待していたが、フィードバックのトーンについて意見が分かれていた。
論文 参考訳（メタデータ） (2023-12-17T22:26:53Z) - PromptTTS 2: Describing and Generating Voices with Text Prompt [102.93668747303975]
音声はテキストよりも多くの情報を伝達し、同じ単語を様々な声で発声して多様な情報を伝えることができる。
従来のTTS(text-to-speech)手法は、音声の可変性に対する音声プロンプト(参照音声)に依存している。
本稿では,テキストプロンプトで捉えない音声の可変性情報を提供するために,変分ネットワークを用いてこれらの課題に対処するPromptTTS 2を提案する。
論文 参考訳（メタデータ） (2023-09-05T14:45:27Z) - TEMPERA: Test-Time Prompting via Reinforcement Learning [57.48657629588436]
強化学習(TEMPERA)を用いたテスト時間プロンプト編集を提案する。
従来のプロンプト生成手法とは対照的に、TEMPERAは事前知識を効率的に活用することができる。
本手法は従来の微調整法と比較して試料効率の平均改善率を5.33倍に向上させる。
論文 参考訳（メタデータ） (2022-11-21T22:38:20Z) - Few-Shot Bot: Prompt-Based Learning for Dialogue Systems [58.27337673451943]
ごく少数の例を使って会話を学ぶことは、会話型AIにおける大きな課題である。
現在の最良の会話モデルは、良いチャットシャッター(例:BlenderBot)またはゴール指向システム(例:MinTL)である。
グラデーションベースの微調整を必要とせず、学習の唯一の源としていくつかの例を用いるプロンプトベースの数ショット学習を提案する。
論文 参考訳（メタデータ） (2021-10-15T14:36:45Z) - Automatic Generation of Word Problems for Academic Education via Natural
Language Processing (NLP) [0.0]
この論文は、多様で文脈に富んだ単語問題を生成するアプローチを提案する。
提案手法は数学統計学において有効な単語問題を生成するのに有効であることが証明されている。
論文 参考訳（メタデータ） (2021-09-27T15:36:19Z) - ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
本稿では,フィードバックを数発の分類として提供するという課題について考察する。
メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。
本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
論文 参考訳（メタデータ） (2021-07-23T22:41:28Z) - Knowledgeable Dialogue Reading Comprehension on Key Turns [84.1784903043884]
MRC(Multi-choice Machine reading comprehension)は、ある項目と質問に対する候補オプションから正しい回答を選択するモデルである。
本研究は,複数回対話を行う対話型MRCに焦点を当てている。
それは2つの課題に悩まされ、答えの選択決定は、最近役に立つコモンセンスをサポートせずに行われ、マルチターンコンテキストは、かなりの無関係な情報を隠蔽する可能性がある。
論文 参考訳（メタデータ） (2020-04-29T07:04:43Z)
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。