論文の概要: Mitigating AI Risks in Computing Education via LLM-Driven Lecture Video Curation
- arxiv url: http://arxiv.org/abs/2608.16131v1
- Date: Mon, 17 Aug 2026 05:36:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.546638
- Title: Mitigating AI Risks in Computing Education via LLM-Driven Lecture Video Curation
- Title（参考訳）: LLM-Driven Lecture Video Curationによるコンピュータ教育におけるAIリスクの軽減
- Abstract要約: 本研究は,大規模言語モデル(LLM)を用いて配信されたビデオ記録から対象セグメントを抽出し,プログラミング環境における学生の質問に答えることの有効性を評価する。
2つのプロプライエタリなモデル(Gemini 3.1 ProとGPT 5.4 Pro)と1つのオープンウェイト(Qwen3.5 397B)を、人間の手動ビデオ選択に対してベンチマークした。
AIが取得したタイムスタンプは、人間のベースラインと完全に重なり合うことはめったにないが、プロプライエタリなモデルは、十分な、非常に関連性の高い回答を提供するために、専門家とほぼ一致している。
- 参考スコア（独自算出の注目度）: 42.89674478896965
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study evaluates the effectiveness of utilising large language models (LLMs) to retrieve targeted segments from delivered video recordings to answer student questions in introductory programming environments. By restricting AI to identifying existing, educator-verified media rather than generating open-ended text, this approach aims to mitigate common pedagogical risks such as generative hallucinations and cognitive bypassing. We benchmarked three distinct models, two proprietary (Gemini 3.1 Pro and GPT 5.4 Pro) and one open-weight (Qwen3.5 397B), against a human lecturer's manual video selections. An automated judging framework subsequently assessed the outputs for relevance, sufficiency, redundancy, and the presence of extraneous material. While the AI-retrieved timestamps rarely shared exact overlaps with the human baseline, the proprietary models achieved near-parity with the expert in delivering sufficient and highly relevant answers. Furthermore, a pilot deployment of this retrieval system in a large C programming cohort (n~=900) demonstrated strong user engagement, with students primarily utilising the tool to review foundational concepts. By leveraging AI to retrieve established lecture material, this approach shows potential for a reliable, high-fidelity pathway for safely integrating LLMs into novice computing courses.
- Abstract（参考訳）: 本研究では,大規模言語モデル(LLM)を用いて,提供されたビデオ記録から対象セグメントを抽出し,導入プログラミング環境における学生の質問に答えることの有効性を評価する。
オープンエンドテキストを生成するのではなく、AIを既存の教育者認証メディアの特定に制限することにより、生成幻覚や認知バイパスといった一般的な教育的リスクを軽減することを目指している。
2つのプロプライエタリなモデル(Gemini 3.1 ProとGPT 5.4 Pro)と1つのオープンウェイト(Qwen3.5 397B)を、人間の手動ビデオ選択に対してベンチマークした。
自動判定フレームワークはその後、関連性、十分性、冗長性、および外部物質の存在に関するアウトプットを評価した。
AIが取得したタイムスタンプは、人間のベースラインと完全に重なり合うことはめったにないが、プロプライエタリなモデルは、十分な、非常に関連性の高い回答を提供するために、専門家とほぼ一致している。
さらに,この検索システムを大規模Cプログラムコーホート (n~=900) にパイロット展開することにより,学生が基本概念をレビューするためにこのツールを利用するという,強いユーザエンゲージメントを示した。
既存の講義資料の検索にAIを活用することで,LLMを初心者のコンピューティングコースに安全に統合するための信頼性の高い高忠実性パスの可能性を示す。
関連論文リスト
- Video-MME-v2: Towards the Next Stage in Benchmarks for Comprehensive Video Understanding [98.3098451637867]
Video-MME-v2は、ビデオ理解の堅牢性と忠実さを厳格に評価するために設計された総合的なベンチマークである。
データ品質を保証するため、Video-MME-v2は厳格に制御された人間のアノテーションパイプラインを通して構築される。
論文 参考訳（メタデータ） (2026-04-06T17:59:56Z) - Executable Knowledge Graphs for Replicating AI Research [65.41207324831583]
Executable Knowledge Graphs (xKG) は、科学文献から抽出された技術的洞察、コードスニペット、ドメイン固有の知識を自動的に統合するモジュラーでプラグイン可能な知識基盤である。
コードはhttps://github.com/zjunlp/xKGでリリースされる。
論文 参考訳（メタデータ） (2025-10-20T17:53:23Z) - CoCoNUTS: Concentrating on Content while Neglecting Uninformative Textual Styles for AI-Generated Peer Review Detection [60.52240468810558]
我々は、AI生成ピアレビューの詳細なデータセットの上に構築されたコンテンツ指向ベンチマークであるCoCoNUTSを紹介する。
また、マルチタスク学習フレームワークを介してAIレビュー検出を行うCoCoDetを開発し、レビューコンテンツにおけるAIのより正確で堅牢な検出を実現する。
論文 参考訳（メタデータ） (2025-08-28T06:03:11Z) - IAMAP: Unlocking Deep Learning in QGIS for non-coders and limited computing resources [0.0]
IAMAPは,近年の自己教師型学習戦略の進歩を基盤としている。
これにより、非AI専門家は、最近のディープラーニングアプローチによって提供される高品質の機能を活用することができる。
論文 参考訳（メタデータ） (2025-08-01T13:39:43Z) - Does Machine Unlearning Truly Remove Knowledge? [80.83986295685128]
本研究では,3つのベンチマークデータセット,6つのアンラーニングアルゴリズム,および5つのプロンプトベースの監査手法からなる,アンラーニング評価のための総合的な監査フレームワークを提案する。
異なるアンラーニング戦略の有効性とロバスト性を評価する。
論文 参考訳（メタデータ） (2025-05-29T09:19:07Z) - Teaching Large Language Models to Maintain Contextual Faithfulness via Synthetic Tasks and Reinforcement Learning [80.27561080938747]
CANOEは、人間のアノテーションを使わずに、下流のさまざまなタスクにまたがる大きな言語モデルの忠実性の幻覚を減らすためのフレームワークである。
Dual-GRPOはルールベースの強化学習手法であり、合成された短値QAデータから得られる3つのルールベースの報酬を含む。
実験の結果、CANOEは11のタスクにまたがるLLMの忠実さを大幅に改善し、最も進歩したLLMよりも優れていた。
論文 参考訳（メタデータ） (2025-05-22T10:10:07Z) - AI-University: An LLM-based platform for instructional alignment to scientific classrooms [12.733784667573211]
AI主導のコースコンテンツ配信のための柔軟なフレームワークであるAI University(AI-U)を紹介する。
コアとなるAI-Uは、検索強化世代(RAG)を備えた大規模言語モデル(LLM)を微調整し、講義ビデオ、ノート、教科書からインストラクター対応の応答を生成する。
本稿では、学習データを体系的に構築し、ローランド適応(LoRA)を用いたオープンソースのLLMを微調整し、RAGベースの合成による応答を最適化するスケーラブルなパイプラインを提案する。
論文 参考訳（メタデータ） (2025-04-11T01:26:34Z) - Prompt-Based Cost-Effective Evaluation and Operation of ChatGPT as a Computer Programming Teaching Assistant [0.0]
この記事では、そのようなアプリケーションに関連する3つの側面について研究する。
GPT-3.5T と GPT-4T の2つのモデルの性能評価を行った。
論文 参考訳（メタデータ） (2025-01-24T08:15:05Z) - LLM-based Weak Supervision Framework for Query Intent Classification in Video Search [6.519428288229856]
本稿では,大規模言語モデル(LLM)を弱監督によって活用し,大量のユーザ検索クエリを自動的にアノテートする手法を提案する。
思考の連鎖(Chain of Thought)と文脈学習(In-Context Learning)を通じてドメイン知識を組み込むことによって、我々のアプローチはラベル付きデータを活用し、リアルタイム推論に最適化された低レイテンシモデルを訓練する。
論文 参考訳（メタデータ） (2024-09-13T15:47:50Z) - HuntGPT: Integrating Machine Learning-Based Anomaly Detection and Explainable AI with Large Language Models (LLMs) [0.09208007322096533]
我々はランダムフォレスト分類器を応用した特殊な侵入検知ダッシュボードであるHuntGPTを提案する。
この論文は、Certified Information Security Manager (CISM) Practice Examsを通じて評価された、システムのアーキテクチャ、コンポーネント、技術的正確性について論じている。
その結果、LLMによってサポートされ、XAIと統合された会話エージェントは、侵入検出において堅牢で説明可能な、実行可能なAIソリューションを提供することを示した。
論文 参考訳（メタデータ） (2023-09-27T20:58:13Z)
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。