論文の概要: From SQL Errors to Concept Gaps: An AI-Powered Knowledge Graph Analytics Platform for Personalized Feedback
- arxiv url: http://arxiv.org/abs/2608.03118v1
- Date: Tue, 04 Aug 2026 04:40:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.035949
- Title: From SQL Errors to Concept Gaps: An AI-Powered Knowledge Graph Analytics Platform for Personalized Feedback
- Title（参考訳）: SQLエラーから概念ギャップへ - パーソナライズされたフィードバックのためのAI駆動の知識グラフ分析プラットフォーム
- Abstract要約: 本稿では,AIを活用した知識グラフプラットフォームについて述べる。
NATURAL JOINの誤用は、JOIN、GROUP BY、Havingの相互の誤解を反映している。
本稿では,教材からコース概念と関係を自動的に抽出し,グラフデータベースを通じて学生の投稿トレースにリンクし,概念レベルでエラーを分類するプラットフォームを提案する。
- 参考スコア（独自算出の注目度）: 3.052375295075672
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This innovative practice full paper describes an AI-powered knowledge graph platform that connects SQL errors to conceptual gaps in undergraduate and graduate database systems courses. Students learning Structured Query Language (SQL) frequently struggle with semantic errors that reflect conceptual misunderstandings rather than syntax mistakes. A query may execute yet return incorrect results due to gaps spanning related concepts; misusing NATURAL JOIN in place of an explicit subquery reflects intertwined misunderstandings of JOIN, GROUP BY, and HAVING. Autograding systems detect correctness but provide surface-level feedback without connecting errors to the conceptual structure of the course. Educational knowledge graph research has shown the value of structured concept representations for curriculum analysis and adaptive learning, but these approaches have not been applied to diagnosing SQL misconceptions from student submissions. We present a platform that automatically extracts course concepts and relations from instructional materials, links them to student submission traces through a graph database, and classifies errors at the concept level. We evaluate the platform across two database systems courses at two universities, one using real student submissions and one using simulated submissions, through an expert study with five participants and an automated evaluation using an LLM as a judge. Results show that 95.7% of extracted nodes were rated as at least somewhat valid and 63.8% of triplets were rated fully correct. Expert feedback confirmed that the generated graphs align with instructor mental models and that mapping errors to course concepts provides actionable diagnostic insight; evaluating impact on student learning remains future work.
- Abstract（参考訳）: このイノベーティブなプラクティスフルペーパーでは、学部および大学院のデータベースシステムコースにおいて、SQLエラーと概念的ギャップを接続する、AIを活用したナレッジグラフプラットフォームについて説明している。
構造化クエリ言語(SQL)を学ぶ学生は、構文ミスよりも概念的誤解を反映した意味的誤りにしばしば苦労する。
明示的なサブクエリの代わりにNATURAL JOINを誤用すると、JOIN、GROUP BY、Havingの中間的な誤解が反映される。
自動分解システムは正確さを検知するが、コースの概念的構造にエラーを接続することなく表面レベルのフィードバックを提供する。
教育知識グラフ研究は、カリキュラム分析と適応学習のための構造化概念表現の価値を示しているが、これらのアプローチは、学生からのSQL誤解の診断には適用されていない。
本稿では,教材からコース概念と関係を自動的に抽出し,グラフデータベースを通じて学生の投稿トレースにリンクし,概念レベルでエラーを分類するプラットフォームを提案する。
2つの大学における2つのデータベース・システム・コースにおけるプラットフォームの評価を行った。1つは実際の学生の提出とシミュレーションによる提出,もう1つは5人の参加者によるエキスパートスタディ、もう1つはLLMを審査員として自動評価を行った。
その結果、抽出されたノードの95.7%が少なくとも有効であると評価され、63.8%が完全に正しいと評価された。
専門家のフィードバックは、生成されたグラフがインストラクターのメンタルモデルと一致し、コース概念にエラーをマッピングすることで、実行可能な診断の洞察が得られることを確認した。
関連論文リスト
- Simulating Students' Java Programming Errors with Large Language Models [7.543318372822572]
本稿では,大規模言語モデル(LLM)が,コード入力における現実的な論理的誤りをシミュレートすることにより,学生にとってスケーラブルなプロキシとして機能するかどうかを考察する。
74,000以上の学生Javaを37の問題を対象とするCodeWorkoutデータセットを用いて,3つの主要なプロンプト戦略の下で5つのLSMを評価した。
我々の定量的発見によると、全てのモデルが多様なエラーを発生させる一方で、人間の提出に対するアライメントは多様化している。
論文 参考訳（メタデータ） (2026-06-12T04:51:49Z) - Can MLLMs Read Students' Minds? Unpacking Multimodal Error Analysis in Handwritten Math [55.83696908107408]
スクラッチマス(ScratchMath)は,手書き数学のスクラッチワークにおける誤りの説明と分類のための新しいベンチマークである。
本データセットは,中国初等・中等生の1,720個の数学サンプルからなる。
我々は,ScratchMath上での16のMLLMを系統的に評価し,人的専門家に対する顕著な性能差を明らかにした。
論文 参考訳（メタデータ） (2026-03-26T02:57:20Z) - KASER: Knowledge-Aligned Student Error Simulator for Open-Ended Coding Tasks [1.2593978066564901]
我々は,エラーを学生の知識と整合させる新しいアプローチであるKASER(Knowledge-Aligned Students Error Simulator)を提案する。
学生のコード予測の3つの側面を反映したハイブリッド報酬を用いた強化学習に基づく学習手法を提案する。
論文 参考訳（メタデータ） (2026-01-10T17:36:48Z) - NeuralNexus at BEA 2025 Shared Task: Retrieval-Augmented Prompting for Mistake Identification in AI Tutors [0.12499537119440242]
本稿では, BEA 2025共有タスクにおけるトラック1のミステイク同定システムについて述べる。
この課題は、教師の反応が学生の推論における誤りを正しく識別するかどうかを評価することである。
我々のシステムは意味的に類似した例を検索し、構造化されたプロンプトを構築し、生成可能な予測をスキーマ誘導解析する。
論文 参考訳（メタデータ） (2025-06-12T12:11:56Z) - Improving Question Embeddings with Cognitive Representation Optimization for Knowledge Tracing [77.14348157016518]
KTモデリングの研究は、既存の未更新の学生の相互作用の記録に基づいて、将来の学生のパフォーマンスを予測することに焦点を当てている。
動的プログラミングアルゴリズムを用いて認知表現の構造を最適化する知識追跡型認知表現最適化(CRO-KT)モデルを提案する。
論文 参考訳（メタデータ） (2025-04-05T09:32:03Z) - Stepwise Verification and Remediation of Student Reasoning Errors with Large Language Model Tutors [78.53699244846285]
大規模言語モデル(LLM)は、高品質なパーソナライズされた教育を全員に拡大する機会を提供する。
LLMは、学生のエラーを正確に検知し、これらのエラーに対するフィードバックを調整するのに苦労する。
教師が学生の誤りを識別し、それに基づいて回答をカスタマイズする現実世界の教育実践に触発され、我々は学生ソリューションの検証に焦点をあてる。
論文 参考訳（メタデータ） (2024-07-12T10:11:40Z) - ItsSQL: Intelligent Tutoring System for SQL [0.0]
我々は,講師の少ない努力で学習プロセスを指導する知的学習システム(ITS)を開発した。
本システムは,参照解の半自動/知的な成長プールに基づく個人フィードバックを提供する。
論文 参考訳（メタデータ） (2023-10-14T09:11:40Z) - SUN: Exploring Intrinsic Uncertainties in Text-to-SQL Parsers [61.48159785138462]
本稿では,ニューラルネットワークに基づくアプローチ(SUN)における本質的な不確かさを探索することにより,テキストから依存への変換性能を向上させることを目的とする。
5つのベンチマークデータセットの大規模な実験により、我々の手法は競合より大幅に優れ、新しい最先端の結果が得られた。
論文 参考訳（メタデータ） (2022-09-14T06:27:51Z) - Visual Perturbation-aware Collaborative Learning for Overcoming the
Language Prior Problem [60.0878532426877]
本稿では,視覚的摂動校正の観点から,新しい協調学習手法を提案する。
具体的には、異なる摂動範囲で2種類のキュレートされた画像を構築するための視覚コントローラを考案する。
2つの診断VQA-CPベンチマークデータセットの実験結果は、その効果を明らかに示している。
論文 参考訳（メタデータ） (2022-07-24T23:50:52Z) - 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) - Deep Discourse Analysis for Generating Personalized Feedback in
Intelligent Tutor Systems [4.716555240531893]
ITS(Intelligent Tutoring System)で、自動化されたパーソナライズされたフィードバックの作成を検討します。
我々のゴールは、学生のより優れた学習目標を達成するために、学生の回答の正しい概念と間違った概念を見極めることである。
論文 参考訳（メタデータ） (2021-03-13T20:33:10Z)
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。