論文の概要: What Does It Take to Research with AI? A Rapid Review of Competencies to Train LLM-Literate Researchers

• arxiv url: http://arxiv.org/abs/2607.16083v1
• Date: Fri, 17 Jul 2026 16:14:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.896621
• Title: What Does It Take to Research with AI? A Rapid Review of Competencies to Train LLM-Literate Researchers
• Title（参考訳）: AIによる研究には何が必要か? LLM-Literateの研究者を育成する能力の素早いレビュー
• Authors: Danilo Monteiro Ribeiro, Ronnie de Souza Santos, Rodrigo Siqueira, Breno Andrade, Rafael Batista Duarte, Gilberto Hida, Julia Alencar, Gustavo Pinto,
• Abstract要約: この素早いレビューは、ElicitとGoogle Scholarから取得した194記事(2022年-2025年)を分析した。 最も一般的なのは、ドメインの専門知識とAI出力の監視だった。 これらの結果は、大学院プログラムやAIリテラシーイニシアチブの設計に直接影響する。
• 参考スコア（独自算出の注目度）: 3.2284277337810567
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The growing adoption of Large Language Models in scientific research has created a need to understand what competencies researchers and graduate students require to use these tools critically and responsibly. This rapid review analyzed 194 articles retrieved from Elicit and Google Scholar (2022 to 2025), from which 40 were selected for competency extraction and thematic analysis following independent dual screening (Gwet AC1: 0.76 to 0.83). Eight competencies were identified. The most prevalent was domain expertise and oversight of AI outputs (n = 123), encompassing subject matter mastery, systematic skepticism, source verification, and researcher accountability. Other key competencies include metacognition and decision making about AI use (n = 55), ethics and academic integrity (n = 53), prompt engineering for research (n = 38), and reproducibility of AI use (n = 29). AI literacy and technical knowledge (n = 16) was explicitly identified as a risk factor when absent, with domain expertise treated as a prerequisite for meaningful critical evaluation. The findings suggest that preparing researchers to use LLMs goes beyond technical instruction, requiring an integrated set of epistemic, ethical, and methodological competencies centered on human accountability for the knowledge produced. These results have direct implications for the design of graduate programs and AI literacy initiatives.
• Abstract（参考訳）: 科学研究におけるLarge Language Modelsの採用の増加は、研究者や大学院生がこれらのツールを批判的かつ責任的に使用するために必要なものを理解する必要性を生み出している。 この素早いレビューでは、エリシットとGoogle Scholar(2022年-2025年)から取得した194項目を分析し、そのうち40項目が独立した二重スクリーニング(Gwet AC1: 0.76 - 0.83)の後に、能力抽出とテーマ解析のために選ばれた。 8つの能力が確認された。 最も一般的なのは、ドメインの専門知識とAI出力の監視(n = 123)であり、主題の熟達、体系的な懐疑主義、情報源の検証、研究者のアカウンタビリティを含んでいた。 その他の重要な能力としては、メタ認知とAI使用に関する意思決定(n = 55)、倫理と学術的整合性(n = 53)、研究のための迅速なエンジニアリング(n = 38)、AI使用の再現性(n = 29)がある。 AIリテラシーと技術知識(n = 16)は、欠席時にリスクファクターとして明確に認識され、ドメインの専門知識は有意義な批判的評価の前提条件として扱われた。 この結果は、研究者がLSMを使用するための準備は、技術教育を超えて、生産された知識に対する人間の説明責任を中心とした、疫学、倫理学、方法論的な能力の統合を必要とすることを示唆している。 これらの結果は、大学院プログラムやAIリテラシーイニシアチブの設計に直接影響する。

関連論文リスト

• A Discipline-Agnostic AI Literacy Course for Academic Research: Architecture, Pedagogy, and Implementation [0.0]
  ジェネレーティブAIを学術リテラシーに迅速に統合するためには、学生にツールの習熟度だけでなく、専門的な聴衆に奉仕する技術AI開発コースと、持続的で実践ベースの能力の厳格な研究が要求される短い一般リテラシー介入という2つの極に、これらのツールを責任を持って使用するという批判的な判断を、カリキュラムが要求される。 本稿では、厳格なAI支援文学レビューに必要な不足する能力に対処する、リーハイ大学におけるコースの設計、理性、実装について報告する。
  論文  参考訳（メタデータ） (2026-04-29T21:47:00Z)
• Report on the Scoping Workshop on AI in Science Education Research 2025 [2.0613397238713778]
  報告では、科学教育研究における人工知能(AI)の役割に関する2日間の国際スコピングワークショップの結果を要約している。 AIは科学の実践、教室の学習、そして研究の方法に素早く反応するので、この分野は新たな機会と重要な課題に直面している。 報告書は、トレーニング、インフラ、標準のための実行可能なレコメンデーションと、資金提供者、政策立案者、専門機関、学術部門のガイダンスで締めくくっている。
  論文  参考訳（メタデータ） (2025-11-18T10:23:22Z)
• The AI Imperative: Scaling High-Quality Peer Review in Machine Learning [49.87236114682497]
  AIによるピアレビューは、緊急の研究とインフラの優先事項になるべきだ、と私たちは主張する。 我々は、事実検証の強化、レビュアーのパフォーマンスの指導、品質改善における著者の支援、意思決定におけるAC支援におけるAIの具体的な役割を提案する。
  論文  参考訳（メタデータ） (2025-06-09T18:37:14Z)
• From G-Factor to A-Factor: Establishing a Psychometric Framework for AI Literacy [1.5031024722977635]
  我々は、AIリテラシーを、教育、労働開発、および社会的エクイティに重要な意味を持つ、一貫性のある測定可能な構造として確立する。 研究1では、AIのインタラクションタスク間で44.16%のばらつきがある、支配的な潜伏因子("A-factor"と呼ばれる)を明らかにした。 研究2は、AIリテラシーの4つの重要な側面を調べることで測定ツールを洗練させた。 回帰分析では、認知能力(IQ)、教育的背景、AI以前の経験、トレーニング履歴など、AIリテラシーのいくつかの重要な予測要因を特定した。
  論文  参考訳（メタデータ） (2025-03-16T14:51:48Z)
• OlympicArena: Benchmarking Multi-discipline Cognitive Reasoning for Superintelligent AI [73.75520820608232]
  我々は,11,163のバイリンガル問題を含む,テキストのみとインターリーブされたテキストイメージのモダリティを紹介する。 これらの課題には、7つのフィールドと62の国際オリンピック大会にわたる幅広い規律が含まれており、データ漏洩について厳格に調査されている。 我々の評価によると、GPT-4oのような先進モデルでさえ、複雑な推論とマルチモーダル統合における現在のAI制限を反映して、全体的な精度は39.97%しか達成していない。
  論文  参考訳（メタデータ） (2024-06-18T16:20:53Z)
• AI Knowledge and Reasoning: Emulating Expert Creativity in Scientific Research [0.2209921757303168]
  本稿では,AIのトレーニング遮断後の論文を生かした新しい手法を提案する。 AIは、発見を再実行し、再実行された研究の結果を予測し、報告された結果に対する予測精度を評価する。
  論文  参考訳（メタデータ） (2024-04-05T22:30:47Z)
• MAILS -- Meta AI Literacy Scale: Development and Testing of an AI Literacy Questionnaire Based on Well-Founded Competency Models and Psychological Change- and Meta-Competencies [6.368014180870025]
  アンケートはモジュラー(すなわち、互いに独立して使用できる異なるファセットを含む)であり、プロフェッショナルな生活に柔軟に適用できるべきである。 我々は、AIリテラシーの異なる側面を表すために、Ngと同僚がAIリテラシーを概念化した60項目を作成した。 AIに関する問題解決、学習、感情制御などの心理的能力を表す12項目が追加されている。
  論文  参考訳（メタデータ） (2023-02-18T12:35:55Z)
• The Role of AI in Drug Discovery: Challenges, Opportunities, and Strategies [97.5153823429076]
  この分野でのAIのメリット、課題、欠点についてレビューする。 データ拡張、説明可能なAIの使用、従来の実験手法とAIの統合についても論じている。
  論文  参考訳（メタデータ） (2022-12-08T23:23:39Z)

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。