論文の概要: Integrating AI into Requirements Quality Learning in Software Engineering Education: A TPACK-Guided Empirical Study
- arxiv url: http://arxiv.org/abs/2607.28176v1
- Date: Thu, 30 Jul 2026 13:15:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.574387
- Title: Integrating AI into Requirements Quality Learning in Software Engineering Education: A TPACK-Guided Empirical Study
- Title（参考訳）: ソフトウェア工学教育における要求品質学習へのAIの統合:TPACKガイドによる実証的研究
- Authors: Hansika Ekanayake Mudiyanselage, Rohan Jai Dharmaraj, Malik Abdul Sami, Zheying Zhang,
- Abstract要約: 学生はAIツールを主に分析と評価のサポートとして選択的に使用した。
学生は、条件付き信頼、積極的な改善、品質基準に対する意識の向上を報告した。
- 参考スコア（独自算出の注目度）: 0.43398392878696535
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid adoption of generative Artificial Intelligence (AI) in software engineering (SE) practice creates a need for pedagogically grounded approaches to AI integration in SE education, especially in conceptually intensive subjects such as requirements engineering (RE). This study examines a TPACK-guided integration of a multi-agent AI tool into a master-level RE assignment on requirements quality analysis. Using a mixed-methods design (N=100; 72 submissions analysed), we examine how structured assignment design shaped students' AI use, affected their understanding of user story quality criteria, and influenced their perceptions of AI's benefits and limitations. Results show that students used the AI tool selectively, mainly as support for analysis and evaluation rather than automation. Alignment improvements were most evident for structurally concrete requirements quality dimensions, such as value articulation and testability, while negotiability showed mixed effects. Students reported conditional trust, active refinement, and increased awareness of quality criteria, alongside moderate usability challenges. The findings show that TPACK-guided scaffolding can align AI affordances with pedagogical goals and RE content, offering design guidance for responsible AI integration in RE education.
- Abstract（参考訳）: ソフトウェア工学(SE)実践における生成人工知能(AI)の急速な採用は、特に要求工学(RE)のような概念的に集約的な主題において、SE教育におけるAI統合に対する教育的に根ざしたアプローチの必要性を生み出します。
本研究では,マルチエージェントAIツールのTPACK誘導型統合を要件品質分析のマスタレベルRE代入に組み込むことを検討した。
混合メソッド設計(N=100,72)を用いて,構造化された課題設計が学生のAI活用にどのように影響し,ユーザストーリの品質基準に対する理解に影響を与え,AIのメリットと限界に対する認識に影響を及ぼすかを検討した。
その結果、学生はAIツールを、主に自動化ではなく分析と評価のサポートとして選択的に使用した。
整合性の改善は, 構造的に具体的要求品質の次元において最も顕著であった。
学生は、適度なユーザビリティの課題とともに、条件付き信頼、積極的な改善、品質基準に対する意識の向上を報告した。
その結果、TPACK誘導の足場は、AIの余裕と教育目標とREコンテンツとを一致させ、RE教育における責任あるAI統合のための設計ガイダンスを提供することができた。
関連論文リスト
- AI-Assisted Requirements Engineering: An Empirical Evaluation Relative to Expert Judgment [0.0]
本稿では,要件品質の評価において,AIベースのツールがシステムエンジニアをどの程度サポートするかを検討する。
システム要件を確立済みのINCOSE良質要件基準に対して評価する制御された研究を行った。
結果は、AIツールが、特に構文的および構造的品質特性に対して、一貫性と迅速な事前評価を提供できることを示している。
論文 参考訳（メタデータ） (2026-04-16T16:53:57Z) - Integration of AI in STEM Education, Addressing Ethical Challenges in K-12 Settings [0.0]
人工知能のK-12 STEM教育への迅速な統合は、重要な倫理的課題と共に変革的な機会をもたらす。
本稿では、STEM教室におけるAIの両端的な影響を分析し、その利点(適応学習、リアルタイムフィードバックなど)と欠点(監視リスク、教育的制約など)を倫理的レンズを通して分析する。
論文 参考訳（メタデータ） (2025-10-22T03:07:26Z) - 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) - Integrating Generative AI in Cybersecurity Education: Case Study Insights on Pedagogical Strategies, Critical Thinking, and Responsible AI Use [0.0]
本研究では,GenAIツールをサイバーセキュリティ教育に統合するための構造的枠組みを提案する。
実装戦略は2段階のアプローチに従い、チュートリアル演習とアセスメントタスクにGenAIを組み込んだ。
調査の結果,AI支援学習は,セキュリティポリシーの評価,リスク評価の精査,理論的知識の実践的応用へのブリッジといった,学生の能力を大幅に向上させた。
論文 参考訳（メタデータ） (2025-02-21T10:14:07Z) - Work in Progress: AI-Powered Engineering-Bridging Theory and Practice [0.0]
本稿では,システム工学の重要なステップを自動化し,改善する上で,生成AIがいかに役立つかを考察する。
INCOSEの"よい要件"基準に基づいて、システム要件を分析するAIの能力を調べる。
この研究は、エンジニアリングプロセスを合理化し、学習結果を改善するAIの可能性を評価することを目的としている。
論文 参考訳（メタデータ） (2025-02-06T17:42:00Z) - Engineering Trustworthy AI: A Developer Guide for Empirical Risk Minimization [53.80919781981027]
信頼できるAIのための重要な要件は、経験的リスク最小化のコンポーネントの設計選択に変換できる。
私たちは、AIの信頼性の新たな標準を満たすAIシステムを構築するための実用的なガイダンスを提供したいと思っています。
論文 参考訳（メタデータ） (2024-10-25T07:53:32Z) - Comprehensive AI Assessment Framework: Enhancing Educational Evaluation with Ethical AI Integration [0.0]
本稿では、Perkins、Furze、Roe、MacVaughによるAIA(AIAS)の進化版である包括的AIアセスメントフレームワーク(CAIAF)について述べる。
CAIAFは厳格な倫理的ガイドラインを取り入れており、教育レベルと高度なAI能力に基づいて明確に区別されている。
このフレームワークは、より良い学習結果を保証するとともに、学術的完全性を維持し、AIの責任ある利用を促進する。
論文 参考訳（メタデータ） (2024-06-07T07:18:42Z) - An interdisciplinary conceptual study of Artificial Intelligence (AI)
for helping benefit-risk assessment practices: Towards a comprehensive
qualification matrix of AI programs and devices (pre-print 2020) [55.41644538483948]
本稿では,インテリジェンスの概念に対処するさまざまな分野の既存の概念を包括的に分析する。
目的は、AIシステムを評価するための共有概念や相違点を特定することである。
論文 参考訳（メタデータ） (2021-05-07T12:01:31Z)
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。