論文の概要: Analysis of Types of Inquiries in Student-AI Interaction: A case study of two CS2 tasks

• arxiv url: http://arxiv.org/abs/2608.17919v1
• Date: Tue, 18 Aug 2026 15:45:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.389527
• Title: Analysis of Types of Inquiries in Student-AI Interaction: A case study of two CS2 tasks
• Title（参考訳）: 学生とAIのインタラクションにおける質問の種類の分析 : 2つのCS2タスクを事例として
• Abstract要約: 学生は学習と問題解決のための生成AIシステムと広範囲に交流する。 我々は、Graesser et al. 分類学を用いて、学生の質問を18種類に分類する。 学生のAIとのインタラクションをこれらのカテゴリに自動的に分類する,数ショットの学習手法を開発した。
• 参考スコア（独自算出の注目度）: 0.3342165620612816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background and Context: Question and inquiry are integral parts of knowledge seeking and learning. Despite their importance, students tend not to ask enough questions in the classroom. However, studies have shown that students interact extensively with generative AI systems for learning and problem solving. Objective: In this paper, we seek to better understand the types of questions that students ask AI systems, and how those questions evolve during problem solving and across tasks. Method: We use the Graesser et al. taxonomy to classify students' inquiries into 18 types. We develop a few-shot learning approach to automatically classify students' interactions with AI into these categories. We use this system to analyze 830 interactions of CS2 students across two programming tasks. Findings: Our results suggest that a small subset of question types accounts for the majority of student inquiries, and that the types of questions students ask change substantially as the task progresses.
• Abstract（参考訳）: 背景と背景: 質問と質問は知識の探求と学習の不可欠な部分である。 その重要性にもかかわらず、学生は教室で十分な質問をしない傾向にある。 しかし、学習と問題解決のために、学生が生成的AIシステムと広範囲に相互作用することを研究は示している。 目的:本稿では,学生がAIシステムに質問する質問の種類や,課題解決やタスク間の質問がどのように進化するかについて,より理解を深める。 方法: 生徒の質問を18種類に分類するために, Graesser et al Taxonomy を用いる。 学生のAIとのインタラクションをこれらのカテゴリに自動的に分類する,数ショットの学習手法を開発した。 本システムを用いて,CS2学生の2つのプログラミング課題における830のインタラクションを解析する。 調査の結果,質問の種類は学生の質問の大多数を占めており,課題が進行するにつれて,学生が質問する質問の種類が大幅に変化することが示唆された。

関連論文リスト

• AI in the Wild: A Large Scale Analysis of Authentic Interactions of College Students with Generative AI [5.052839340528487]
  本稿では,複数の大学コースや学術領域にまたがる大学生の自然発生学生とAIの相互作用を大規模に分析する。 データセットは、15,000以上の学生とAIのインタラクションユニットで構成され、実際のコース中に生成AIの自発的使用から引き出された。 分析の結果,学生とAIの相互作用は高度に構造化されていることが判明した。
  論文  参考訳（メタデータ） (2026-06-28T15:07:53Z)
• "How Do I ...?": Procedural Questions Predominate Student-LLM Chatbot Conversations [39.146761527401424]
  本稿では,学習コンテキストの異なる2つのデータセット,形式的自己学習(formive self-study)と要約的評価コースワーク(summative evaluationed coursework)に焦点をあてる。 11の異なるLarge Language Model(LLM)と3つの人間レーダを用いて、両方の学習文脈から6,113のメッセージを分析した。 以上の結果から,「手続き的」な質問は両学習文脈で優位に立つが,学生が要約的評価の準備をする場合には,その傾向が示唆された。
  論文  参考訳（メタデータ） (2026-02-20T17:27:41Z)
• Investigating Middle School Students Question-Asking and Answer-Evaluation Skills When Using ChatGPT for Science Investigation [18.913112043551045]
  ChatGPTのようなジェネレーティブAI(GenAI)ツールは、幅広いタスクを探索し、対処することができる。 本研究では,中学生が効果的な質問をし,ChatGPT反応を批判的に評価する能力について検討した。
  論文  参考訳（メタデータ） (2025-05-02T08:38:17Z)
• How Do Students Interact with an LLM-powered Virtual Teaching Assistant in Different Educational Settings? [3.9134031118910264]
  LLMを利用したバーチャル教育アシスタントであるJill Watson氏は、学生の質問に答えて、インストラクターが提供するコースウェア上での会話を延長する。 本稿では,Jill と学生の相互作用を,複数の科目や大学間で分析する。 幅広い認知的要求をサポートすることで、ジルは生徒に高度な高次認知的質問への参加を促している。
  論文  参考訳（メタデータ） (2024-07-15T01:22:50Z)
• Quriosity: Analyzing Human Questioning Behavior and Causal Inquiry through Curiosity-Driven Queries [92.1651731484397]
  本稿では,3つの情報源から自然発生の13.5Kの質問を集めたQuriosityを紹介する。 分析の結果,データセットに因果的疑問(最大42%)が存在することが明らかとなった。
  論文  参考訳（メタデータ） (2024-05-30T17:55:28Z)
• Automated Distractor and Feedback Generation for Math Multiple-choice Questions via In-context Learning [43.83422798569986]
  マルチチョイス質問(MCQ)は、管理しやすく、格付けし、信頼性の高い評価形式であるため、ほぼ全てのレベルの教育においてユビキタスである。 これまで、高品質なイントラクタを作るというタスクは、教師やコンテンツデザイナーを学ぶための労働集約的なプロセスのままだった。 本稿では,テキスト内学習をベースとした簡易な学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-07T01:03:04Z)
• Towards a Holistic Understanding of Mathematical Questions with Contrastive Pre-training [65.10741459705739]
  本稿では,数学的問題表現,すなわち QuesCo に対する対照的な事前学習手法を提案する。 まず、コンテンツレベルと構造レベルを含む2段階の質問強化を設計し、類似した目的で文字通り多様な質問ペアを生成する。 そこで我々は,知識概念の階層的情報を完全に活用するために,知識階層を意識したランク戦略を提案する。
  論文  参考訳（メタデータ） (2023-01-18T14:23:29Z)
• Automatic Generation of Socratic Subquestions for Teaching Math Word Problems [16.97827669744673]
  本稿では,大言語モデル (LM) が数学用語の問題解決を導くためのシーケンシャルな質問を生成する能力について検討する。 自動品質評価と人的品質評価の両方において,所望の質問特性に制約されたLMが優れた質問を生成することがわかった。 その結果,課題の難易度は,質問が人間のパフォーマンスを損なうか否かを判断する上で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） (2022-11-23T10:40:22Z)
• Achieving Human Parity on Visual Question Answering [67.22500027651509]
  The Visual Question Answering (VQA) task using both visual image and language analysis to answer a textual question to a image。 本稿では,人間がVQAで行ったのと同じような,あるいは少しでも良い結果が得られるAliceMind-MMUに関する最近の研究について述べる。 これは,(1)包括的視覚的・テキスト的特徴表現による事前学習,(2)参加する学習との効果的な相互モーダル相互作用,(3)複雑なVQAタスクのための専門的専門家モジュールを用いた新たな知識マイニングフレームワークを含む,VQAパイプラインを体系的に改善することで達成される。
  論文  参考訳（メタデータ） (2021-11-17T04:25:11Z)
• A Dataset of Information-Seeking Questions and Answers Anchored in Research Papers [66.11048565324468]
  1,585の自然言語処理論文に関する5,049の質問のデータセットを提示する。 各質問は、対応する論文のタイトルと要約のみを読むNLP実践者によって書かれ、質問は全文に存在する情報を求めます。 他のQAタスクでうまく機能する既存のモデルは、これらの質問に答える上ではうまく機能せず、論文全体から回答する際には、少なくとも27 F1ポイントパフォーマンスが低下します。
  論文  参考訳（メタデータ） (2021-05-07T00:12:34Z)
• Inquisitive Question Generation for High Level Text Comprehension [60.21497846332531]
  InQUISITIVEは、文書を読みながら19K質問を抽出するデータセットである。 我々は,読者が情報を求めるための実践的な戦略に携わることを示す。 我々は, GPT-2に基づく質問生成モデルを評価し, 妥当な質問を生成することができることを示す。
  論文  参考訳（メタデータ） (2020-10-04T19:03:39Z)
• Neural Multi-Task Learning for Teacher Question Detection in Online Classrooms [50.19997675066203]
  教師の音声記録から質問を自動的に検出するエンドツーエンドのニューラルネットワークフレームワークを構築している。 マルチタスク学習手法を取り入れることで,質問の種類によって意味的関係の理解を深めることが可能となる。
  論文  参考訳（メタデータ） (2020-05-16T02:17:04Z)

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。