論文の概要: Analyzing Curricular Pattern Complexity Using AI to Improve On-Time Graduation Rates

• arxiv url: http://arxiv.org/abs/2607.13094v1
• Date: Tue, 14 Jul 2026 02:02:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.530541
• Title: Analyzing Curricular Pattern Complexity Using AI to Improve On-Time Graduation Rates
• Title（参考訳）: AIを用いた正則パターンの複雑度解析によるオンタイムグラデーション率の向上
• Abstract要約: この研究はAI技術を使って、ソフトウェア工学の学部の学位でカリキュラムパターンを分析し、修正する。 この作業は、LLM(Large Language Models)を用いることで、キュリキュラの時間変更を削減し、ボトルネックや遅延を低減します。
• 参考スコア（独自算出の注目度）: 0.6567875008573567
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rise of Artificial Intelligence (AI) enables automatic analysis of large amounts of data. Previously time-consuming and labor-intensive tasks can be completed much more efficiently with the use of AI. This work uses AI techniques to analyze and revise curricular patterns in an undergraduate degree for Software Engineering. Curricula often have long sequences where failure to pass a class within the sequence may jeopardize completion of the degree within four years. Manual analysis and revision of curricula by university faculty is a lengthy and labor-intensive process, causing changes to occur rarely and making it impossible to keep up with the changing needs of students. This work reduces the time-to-change for curricula and reduces bottlenecks and graduation delays by using Large Language Models (LLMs) to analyze curricular patterns and suggest revisions.
• Abstract（参考訳）: 人工知能(AI)の台頭は、大量のデータの自動分析を可能にする。 従来は時間を要する作業や労働集約的なタスクは、AIを使用することで、はるかに効率的に完了することが可能でした。 この研究はAI技術を使って、ソフトウェア工学の学部の学位でカリキュラムパターンを分析し、修正する。 キュリキュラは長いシーケンスを持ち、シーケンス内でクラスをパスできないと、4年以内に学位の修了が危うくなることがある。 大学によるカリキュラムのマニュアル分析と改訂は、長期的かつ労働集約的なプロセスであり、変化はめったに起こらず、学生のニーズの変化に追随することは不可能である。 この作業は、キュリキュラの時間変更を削減し、大言語モデル(LLM)を用いて、キュリキュラパターンを分析し、リビジョンを提案することでボトルネックや遅延を低減します。

関連論文リスト

• MirrorCode: AI can rebuild entire programs from behavior alone [1.052679131856939]
  MirrorCodeは、ソフトウェアプロジェクト全体の再実装に基づく、長期にわたるコーディングベンチマークである。 既存のAIモデルは、すでに複雑なソフトウェアを再実装できる。 我々はAIエージェントが、特に要求が正確に指定された場合に、既に長期のソフトウェアエンジニアリングタスクを完了できることを示します。
  論文  参考訳（メタデータ） (2026-06-29T11:57:32Z)
• AI for Auto-Research: Roadmap & User Guide [107.0834449839233]
  研究ライフサイクル全体にわたってAIをエンドツーエンドに分析する。 我々は、信頼できる援助と信頼できない自律性の間に、鋭くステージに依存した境界を特定できる。 障害モードを排除するのではなく、より大きな自動化が不明瞭であることが示されています。
  論文  参考訳（メタデータ） (2026-05-18T17:08:26Z)
• Evolutionary Strategies lead to Catastrophic Forgetting in LLMs [51.91763220981834]
  進化戦略(Evolutionary Strategies, ES)は、最近、従来の学習アルゴリズムの勾配のない代替品として再登場した。 ESは計算予算に匹敵する計算量で、数学や推論タスクのGRPOに近いパフォーマンス数に達することができる。 ESは、事前能力の大幅な忘れを伴い、オンラインのトレーニングモデルの適用性を制限している。
  論文  参考訳（メタデータ） (2026-01-28T18:59:34Z)
• AI Agents as Universal Task Solvers [94.49762121230042]
  我々は,過去のデータを用いて,普遍的な解法が達成できる最適なスピードアップが,アルゴリズム情報と密接な関係があることを示す。 我々は、推論モデルをスケールする際に最適化する重要な量は時間であり、学習における重要な役割は、これまでは間接的にのみ考慮されてきたと論じている。
  論文  参考訳（メタデータ） (2025-10-14T02:17:54Z)
• AI, Humans, and Data Science: Optimizing Roles Across Workflows and the Workforce [0.0]
  我々は、分析、生成、エージェントAIの可能性と限界を考慮し、データサイエンティストを増強したり、伝統的に人間のアナリストや研究者によってなされたタスクを引き受ける。 従来の調査分析が問題になったのは、統計ソフトウェアの使用が簡単になったことで、研究者が完全に理解できなかった分析を行えなくなった時だった。
  論文  参考訳（メタデータ） (2025-07-15T17:59:06Z)
• GenDFIR: Advancing Cyber Incident Timeline Analysis Through Retrieval Augmented Generation and Large Language Models [0.08192907805418582]
  デジタル法医学とインシデント応答(DFIR)におけるサイバータイムライン解析の重要性 伝統的な手法は、証拠の識別と特徴抽出のためにログやメタデータのような構造化された成果物に依存している。 本稿では,大規模言語モデル(LLM)を利用したフレームワークであるGenDFIR,特にゼロショットモードのLlama 3.1 8Bについて紹介し,Retrieval-Augmented Generation (RAG)エージェントと統合する。
  論文  参考訳（メタデータ） (2024-09-04T09:46:33Z)
• State-Space Modeling in Long Sequence Processing: A Survey on Recurrence in the Transformer Era [59.279784235147254]
  このサーベイは、シーケンシャルなデータ処理の反復モデルに基づく最新のアプローチの詳細な概要を提供する。 新たな画像は、標準のバックプロパゲーション・オブ・タイムから外れた学習アルゴリズムによって構成される、新しいルートを探索する余地があることを示唆している。
  論文  参考訳（メタデータ） (2024-06-13T12:51:22Z)
• Adaptation of XAI to Auto-tuning for Numerical Libraries [0.0]
  説明可能なAI(XAI)技術は、AIモデル開発の合理化と、ユーザへのAI出力の説明の負担軽減を目的として、注目を集めている。 本研究は,2つの異なるプロセスに統合されたAIモデルのXAIに着目し,数値計算を行う。
  論文  参考訳（メタデータ） (2024-05-12T09:00:56Z)
• Software Engineering Methods For AI-Driven Deductive Legal Reasoning [2.95701410483693]
  ソフトウェアエンジニアリングの原則が、複雑な法令のAIによる法的推論をいかに向上させるかを示す。 自動メタ推論において,ソフトウェア工学の原則を適用して新しいアプリケーションをアンロックする方法を示す。
  論文  参考訳（メタデータ） (2024-04-15T15:33:29Z)
• Artificial intelligence to automate the systematic review of scientific literature [0.0]
  我々は過去15年間に提案されたAI技術について,研究者が科学的文献の体系的な分析を行うのを助けるために調査を行った。 現在サポートされているタスク、適用されるアルゴリズムの種類、34の初等研究で提案されているツールについて説明する。
  論文  参考訳（メタデータ） (2024-01-13T19:12:49Z)
• Modelling Concurrency Bugs Using Machine Learning [0.0]
  このプロジェクトは、一般的な機械学習アプローチと最近の機械学習アプローチを比較することを目的としている。 我々は、実生活(同時)プログラムをシミュレートする範囲で生成する合成データセットを定義する。 各種機械学習モデルモデルの基本的な限界に関する仮説を定式化する。
  論文  参考訳（メタデータ） (2023-05-08T17:30:24Z)
• Searching for More Efficient Dynamic Programs [61.79535031840558]
  本稿では,プログラム変換の集合,変換プログラムの効率を評価するための単純な指標,およびこの指標を改善するための探索手順について述べる。 実際に、自動検索は初期プログラムの大幅な改善を見出すことができることを示す。
  論文  参考訳（メタデータ） (2021-09-14T20:52:55Z)
• Temporally Correlated Task Scheduling for Sequence Learning [143.70523777803723]
  多くのアプリケーションにおいて、シーケンス学習タスクは通常、複数の時間的に相関した補助タスクと関連付けられている。 シーケンス学習に学習可能なスケジューラを導入し、トレーニングのための補助的なタスクを適応的に選択できる。 本手法は,同時翻訳とストックトレンド予測の性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-07-10T10:28:54Z)

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。