論文の概要: Making AI-Generated Feedback Matter: A Large-Scale Study of Feedback Workflows and Student Enactment
- arxiv url: http://arxiv.org/abs/2608.11625v2
- Date: Thu, 13 Aug 2026 22:03:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 13:59:16.213718
- Title: Making AI-Generated Feedback Matter: A Large-Scale Study of Feedback Workflows and Student Enactment
- Title（参考訳）: AIによるフィードバック事項の作成: フィードバックワークフローと学生の実践に関する大規模研究
- Abstract要約: AI生成フィードバックの教育的価値は、フィードバックコメントの品質だけでなく、フィードバックリテラシープロセスの実践を積極的に構成することにも依存する。
汎用ワークフロー設計は、生産的なフィードバックの使用の中心である。
- 参考スコア（独自算出の注目度）: 1.978444537409772
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Feedback processes strongly influence student learning, yet their educational value depends on addressing two distinct challenges: providing high-quality, timely, and individualised feedback at scale, and supporting students to interpret, evaluate, and act on that feedback productively. Generative AI offers a credible means of addressing the provision challenge, but students' uptake of AI-generated feedback remains limited. We conducted a large-scale quasi-experimental sequential cohort study comparing three AI-mediated feedback workflows across 13,037 students and 51,296 student-authored resources. In Directed Feedback (n = 3,723), students received AI-generated feedback comments without structured support. In Self-Directed Feedback (n = 3,951), students could initiate optional AI-supported dialogue. In Enacted Feedback (n = 5,363), students were prompted to select feedback suggestions, evaluate their relevance, and engage in targeted AI-supported dialogue anchored to those selections. Enacted Feedback was associated with significantly higher uptake of AI-generated feedback, with an estimated probability of 26.2%, compared with 14.1% for Directed Feedback and 0.1% for Self-Directed Feedback. It was also associated with significantly higher self-assessment confidence and submitted-work quality than both comparison conditions. These findings suggest that the educational value of AI-generated feedback depends not only on the quality of feedback comments, but also on workflows that actively structure students' enactment of feedback literacy processes. The results have implications for the design of AI feedback systems that position learners as active participants in judgement, dialogue, and improvement rather than passive recipients of comments. Overall findings show that AI access alone is insufficient; purposeful workflow design is central to productive feedback use.
- Abstract（参考訳）: フィードバックプロセスは学生の学習に強く影響するが、その教育的価値は、高品質でタイムリーで個人化されたフィードバックを大規模に提供すること、学生がそのフィードバックを生産的に解釈し、評価し、行動すること、という2つの異なる課題に対処することに依存する。
生成AIは、提供課題に対処する信頼できる手段を提供するが、学生によるAI生成フィードバックの獲得は限定的である。
我々は,13,037人の学生と51,296人の学生による3つのAIによるフィードバックワークフローを比較検討した。
Directed Feedback (n = 3,723)では、学生は構造化されたサポートなしでAI生成されたフィードバックコメントを受け取った。
自己指示フィードバック(n = 3,951)では、オプションのAI対応対話を開始することができる。
Enacted Feedback (n = 5,363)では、学生はフィードバックの提案を選択し、その妥当性を評価し、それらの選択に固定されたAI支援対話に参加するように促された。
Enacted FeedbackはAI生成フィードバックの取り込みが大幅に増加し、予測確率は26.2%、Directed Feedbackは14.1%、Self-Directed Feedbackは0.1%だった。
また、両者の比較条件よりも、自己評価の信頼性と作業品質が著しく高かった。
これらの結果は、AIによるフィードバックの教育的価値は、フィードバックコメントの品質だけでなく、フィードバックリテラシープロセスの実践を積極的に構成するワークフローにも依存していることを示唆している。
結果は,AIフィードバックシステムの設計に影響を及ぼし,学習者がコメントの受取者よりも判断,対話,改善に積極的に参加していると位置づける。
汎用ワークフロー設計は、生産的なフィードバックの使用の中心である。
関連論文リスト
- A Classroom Study of LLM-Generated Feedback Intervention in Introductory Programming [1.0241350366020698]
本稿では,Pythonプログラミング入門コースにおいて,AIによるフィードバックが展開される大規模教室スタディを提案する。
学生は、不正な提出に関する3つのフィードバック条件の1つを受け取った。自然言語ヒント、AI生成テストケースの失敗、あるいはAIのフィードバックがない。
自然言語のフィードバックは,解の完成率の向上と解の収束の高速化に大きく関連していることがわかった。
論文 参考訳（メタデータ） (2026-06-07T19:55:51Z) - AI-Mediated Feedback Improves Student Revisions: A Randomized Trial with FeedbackWriter in a Large Undergraduate Course [5.829384802817518]
我々は,学生の知識集約エッセイに対するフィードバックを提供しながら,アシスタント(TA)にAI提案を生成するシステムであるFeedbackWriterを紹介し,展開する。
学生はランダムにTAから手書きのフィードバックを受けるか、AIによるフィードバックを受けるように割り当てられ、TAはFeedbackWriterから提案を受け取る。
その結果、AIによるフィードバックを受けた学生は、より高品質なリビジョンを実現し、TAがより多くのAI提案を採用するにつれて、向上することがわかった。
論文 参考訳（メタデータ） (2026-02-18T19:33:56Z) - LLM-based Multimodal Feedback Produces Equivalent Learning and Better Student Perceptions than Educator Feedback [4.225232488376583]
本研究では,構造化テキスト記述を動的マルチメディアリソースと統合したリアルタイムAIファシリケート型マルチモーダルフィードバックシステムを提案する。
オンラインクラウドソーシング実験では,3次元の教育者による固定されたビジネス・アズ・ユースフィードバックと比較した。
その結果、AIマルチモーダルフィードバックは、元の教育者フィードバックに匹敵する学習の獲得を達成し、認知負荷の明確さ、特異性、簡潔性、モチベーション、満足度、および認知負荷の低減を著しく上回った。
論文 参考訳（メタデータ） (2026-01-21T18:58:08Z) - Exploring LLM-Generated Feedback for Economics Essays: How Teaching Assistants Evaluate and Envision Its Use [3.345149032274467]
本研究は,AIによるフィードバックを人的インストラクターのフィードバック提供の迅速化と向上のための提案として活用する可能性を検討する。
学生のエッセイからフィードバックを得られるフィードバックエンジンを開発した。
我々は、20回の1時間のセッションで5つのTAでシンクアラウド研究を行い、AIのフィードバックを評価し、手書きのフィードバックとAIのフィードバックを対比させ、もし提案された場合、AIのフィードバックを使ってどのように想定するかを共有した。
論文 参考訳（メタデータ） (2025-05-21T14:50:30Z) - Evaluating Trust in AI, Human, and Co-produced Feedback Among Undergraduate Students [2.935250567679577]
本研究は,大学生の大規模言語モデル(LLM)に対する信頼度,人間とAIが共生したフィードバックを,真正なHEの文脈で比較した。
調査の結果、学生はAIを好んでおり、人間のフィードバックよりも有用性と客観性に対するフィードバックを共同生成していることがわかった。
教育AI体験は、LLM生成フィードバックを識別する能力を改善し、あらゆる種類のフィードバックに対する信頼を高めた。
論文 参考訳（メタデータ） (2025-04-15T08:06:36Z) - On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。
推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。
本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
論文 参考訳（メタデータ） (2025-04-02T17:40:47Z) - HREF: Human Response-Guided Evaluation of Instruction Following in Language Models [61.273153125847166]
我々は新しい評価ベンチマークHREF(Human Response-Guided Evaluation of Instruction following)を開発した。
HREFは信頼性の高い評価を提供するだけでなく、個々のタスクのパフォーマンスを強調し、汚染を受けない。
本稿では,評価セットのサイズ,判断モデル,ベースラインモデル,プロンプトテンプレートなど,HREFにおける鍵設計選択の影響について検討する。
論文 参考訳（メタデータ） (2024-12-20T03:26:47Z) - Rethinking the Evaluation of Dialogue Systems: Effects of User Feedback on Crowdworkers and LLMs [57.16442740983528]
アドホック検索では、評価は暗黙のフィードバックを含むユーザーの行動に大きく依存する。
アノテータの会話知覚におけるターン評価におけるユーザフィードバックの役割はほとんど研究されていない。
本稿では,タスク指向対話システム(TDS)の評価が,ターンのフォローアップ発話を通じて提供されるユーザフィードバック,明示的あるいは暗黙的な評価にどのように影響するかに注目した。
論文 参考訳（メタデータ） (2024-04-19T16:45:50Z) - Improving the Validity of Automatically Generated Feedback via Reinforcement Learning [46.667783153759636]
強化学習(RL)を用いた正当性と整合性の両方を最適化するフィードバック生成フレームワークを提案する。
具体的には、直接選好最適化(DPO)によるトレーニングのための拡張データセットにおいて、GPT-4のアノテーションを使用してフィードバックペアよりも好みを生成する。
論文 参考訳（メタデータ） (2024-03-02T20:25:50Z) - Constructive Large Language Models Alignment with Diverse Feedback [76.9578950893839]
本稿では,大規模言語モデルのアライメント向上のための新しい手法として,コンストラクティブ・ディバース・フィードバック(CDF)を導入する。
我々は,簡単な問題に対する批判的フィードバック,中級問題に対する改善的フィードバック,難題に対する選好的フィードバックを利用する。
このような多様なフィードバックでモデルをトレーニングすることで、トレーニングデータの少ない使用でアライメント性能を向上させることができる。
論文 参考訳（メタデータ） (2023-10-10T09:20:14Z) - Continually Improving Extractive QA via Human Feedback [59.49549491725224]
本研究では,人間のフィードバックによる抽出質問応答(QA)システムの改善を継続的に進める。
多様な設定の下で何千ものユーザインタラクションを含む実験を行い、時間とともにフィードバックからの学習の理解を広げます。
論文 参考訳（メタデータ） (2023-05-21T14:35:32Z) - Facial Feedback for Reinforcement Learning: A Case Study and Offline
Analysis Using the TAMER Framework [51.237191651923666]
訓練者の表情からエージェント学習の可能性について,評価フィードバックとして解釈することで検討した。
設計したCNN-RNNモデルを用いて,学習者に対して表情とコンペティションの使用を指示することで,肯定的および否定的なフィードバックを推定する精度を向上させることができることを示す。
シミュレーション実験の結果,表情に基づく予測フィードバックのみから学習できることが示唆された。
論文 参考訳（メタデータ） (2020-01-23T17:50:57Z)
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。