論文の概要: Students' Practices and Skills in the LLM-Era: "You Can't Outsource the Struggle and Still Get the Skill"

• arxiv url: http://arxiv.org/abs/2607.29519v1
• Date: Fri, 31 Jul 2026 15:18:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.779939
• Title: Students' Practices and Skills in the LLM-Era: "You Can't Outsource the Struggle and Still Get the Skill"
• Title（参考訳）: LLM-Eraにおける学生の実践と技能 : 「ストラグルをアウトソースしてもスキルを得ることはできない」
• Abstract要約: 生成AIツールは、ソフトウェア工学の大学院生の日々のワークフローで急速に学習されている。 しかし、実験的な研究に有効なAI関連スキルが何が必要かについては、ほとんど分かっていない。 研究に焦点をあてた5つのサブレディットから1,383件の投稿を分析し,研究スキルの育成に必要な認知的努力を体系的にアウトソーシングすることを発見した。
• 参考スコア（独自算出の注目度）: 1.8522040460842604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative AI tools have been rapidly learned in the daily workflow of graduate students in Software Engineering, but little is known about what AI-related skills they actually need for effective use in empirical research. Without this understanding, graduate programs cannot prepare students to conduct rig-orous research in the LLM era, risking creating a generation of researchers who delegate tasks without the necessary expertise. By analyzing 1,383 posts from five research-focused subreddits, we found that students systematically outsource the cognitive effort required to develop research skills and end up with neither the expected results nor the necessary competence. Naming these missing skills is the first step toward curricula that teach graduate students to work \emph{with} LLMs without being replaced by them.
• Abstract（参考訳）: 生成型AIツールは、ソフトウェア工学の大学院生の日々のワークフローで急速に学習されているが、経験的な研究に実際に有効なAI関連のスキルが何を必要としているのかは、ほとんど分かっていない。 この理解がなければ、大学院プログラムは学生にLLM時代に厳密な研究を行う準備をできず、必要な専門知識を使わずにタスクを委任する世代の研究者を創出するリスクを負う。 研究中心の5つのサブレディットから1,383件の投稿を分析し,研究スキルの育成に必要な認知的努力を体系的にアウトソーシングし,期待する結果も必要な能力も得られないことを見出した。 これらの不足したスキルを命名することは、大学院生に置き換えることなく、‘emph{with} LLMs’を働かせるように教えるカリキュラムへの第一歩だ。

関連論文リスト

• What Does It Take to Research with AI? A Rapid Review of Competencies to Train LLM-Literate Researchers [3.2284277337810567]
  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。
  論文  参考訳（メタデータ） (2026-07-17T16:14:14Z)
• What is Left for Us? Second Scholarship Against the Degradation of Research by AI [0.0]
  生成AIは、判断が成立し、学術的信頼が構築されるという実践を損なうことによって、研究を劣化させることができると我々は主張する。 代わりに必要なのは、しばしば摩擦や学術的なコミュニティへの参加を通じて、徐々に判断が形成される、生きた実践としての研究への新たなコミットメントである。
  論文  参考訳（メタデータ） (2026-07-04T22:45:23Z)
• Understanding LLMs' Fluid Intelligence Deficiency: An Analysis of the ARC Task [71.61879949813998]
  認知研究において、後者の能力は流体インテリジェンスと呼ばれ、人間のインテリジェンスを評価するために重要であると考えられている。 流体インテリジェンス評価に関する最近の研究は、LLMの能力に重大な欠陥を浮き彫りにした。 本研究は,既存のLSMにおいて,スキル構成能力の制限,抽象的な入力形式に慣れていないこと,左から右への復号化の本質的欠如の3つの大きな限界を明らかにした。
  論文  参考訳（メタデータ） (2025-02-11T02:31:09Z)
• Position: LLMs Can be Good Tutors in English Education [120.25980336297444]
  大規模言語モデル(LLM)は、英語教育において効果的な家庭教師として機能する可能性がある。 LLMは、データエンハンサー、学習材料の作成の改善、学生シミュレーションの3つの重要な役割を果たすことができる。
  論文  参考訳（メタデータ） (2025-02-08T06:48:49Z)
• LLM-powered Multi-agent Framework for Goal-oriented Learning in Intelligent Tutoring System [54.71619734800526]
  GenMentorは、ITS内で目標指向でパーソナライズされた学習を提供するために設計されたマルチエージェントフレームワークである。 学習者の目標を、カスタムのゴール・トゥ・スキルデータセットでトレーニングされた微調整LDMを使用して、必要なスキルにマッピングする。 GenMentorは、個々の学習者のニーズに合わせて探索・描画・統合機構で学習内容を調整する。
  論文  参考訳（メタデータ） (2025-01-27T03:29:44Z)
• LLMs are Imperfect, Then What? An Empirical Study on LLM Failures in Software Engineering [38.20696656193963]
  非自明なソフトウェアエンジニアリングタスクにおいて,ChatGPTをコーディングアシスタントとして使用した22名の参加者を対象に,観察的研究を行った。 そこで我々は,ChatGPTが失敗した事例,その根本原因,およびユーザが使用する緩和ソリューションを特定した。
  論文  参考訳（メタデータ） (2024-11-15T03:29:41Z)
• Can We Delegate Learning to Automation?: A Comparative Study of LLM Chatbots, Search Engines, and Books [0.6776894728701932]
  教科書やウェブ検索といった従来のリソースからの移行は、教育者の間で懸念を呼び起こす。 本稿では,教育者の立場から3つの主な懸念点を体系的に明らかにする。 その結果,LLMは受動的学習を促進することなく,鍵概念の包括的理解を支援するが,知識保持効果は限られていた。
  論文  参考訳（メタデータ） (2024-10-02T10:16:54Z)
• An Empirical Study on Usage and Perceptions of LLMs in a Software Engineering Project [1.433758865948252]
  大規模言語モデル(LLM)は人工知能の飛躍であり、人間の言語を用いたタスクに優れる。 本稿では、AI生成したコードを分析し、コード生成に使用するプロンプトと人間の介入レベルを分析し、コードをコードベースに統合する。 ソフトウェア開発の初期段階において,LSMが重要な役割を担っていることが示唆された。
  論文  参考訳（メタデータ） (2024-01-29T14:32:32Z)
• Adapting Large Language Models for Education: Foundational Capabilities, Potentials, and Challenges [60.62904929065257]
  大規模言語モデル(LLM)は、個々の要求を解釈することでこの問題を解決する可能性を提供する。 本稿では, 数学, 文章, プログラミング, 推論, 知識に基づく質問応答など, 教育能力に関する最近のLLM研究を概観する。
  論文  参考訳（メタデータ） (2023-12-27T14:37:32Z)
• Democratizing Reasoning Ability: Tailored Learning from Large Language Model [97.4921006089966]
  そこで我々は,そのような推論能力をより小さなLMに蒸留する,適切な学習手法を提案する。 対話型多ラウンド学習パラダイムを構築することにより,理科教員としてのLLMの可能性を活用する。 より小さなLMの推論可能性を活用するために,学生が自作ミスから学習する動機付けを目的とした自己回帰学習を提案する。
  論文  参考訳（メタデータ） (2023-10-20T07:50:10Z)
• LIBERO: Benchmarking Knowledge Transfer for Lifelong Robot Learning [64.55001982176226]
  LIBEROは、ロボット操作のための生涯学習の新しいベンチマークである。 宣言的知識、手続き的知識、あるいは両者の混在を効率的に伝達する方法に焦点を当てる。 我々は、無限に多くのタスクを生成できる拡張可能な手続き生成パイプラインを開発した。
  論文  参考訳（メタデータ） (2023-06-05T23:32:26Z)

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。