論文の概要: Self-Explanation Tutor for Active Study of CS1 Worked Examples
- arxiv url: http://arxiv.org/abs/2608.25180v1
- Date: Tue, 25 Aug 2026 21:54:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.454411
- Title: Self-Explanation Tutor for Active Study of CS1 Worked Examples
- Title（参考訳）: CS1作業例のアクティブスタディのための自己説明型チュータ
- Abstract要約: 本研究では,導入型プログラミングのための自己説明授業であるESSEを構築し,学生が作業例の行を解説する。
我々は,LLMが教師のエンジンとなるのに十分な学生説明を判断するかどうかを問う。
そのフィードバックは、学生が一行を捨てるのではなく、継続し、修正することにつながることに気付きました。
- 参考スコア（独自算出の注目度）: 1.7504194797252353
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Worked examples are a important part of introductory programming, but reading their expert explanations is passive. Self explanation, students explaining the problem and its solution to themselves with subgoal level analysis, turns that study into an active task, yet it is hard to scale because assessing free-text explanations and returning timely feedback has had no easy automated solution. We investigate whether a large language model (LLM) can fill that gap. We build a self-explanation tutor for introductory programming, ESSE, in which students explain lines of worked examples and receive immediate LLM feedback on the correctness and completeness of each explanation, and we pursue two goals. First, we ask whether the LLM judges student explanations well enough to serve as the engine of the tutor; we assess its judgments against two independent human reference standards of different kinds, a single domain expert and a crowd of non-expert raters, each with its own strengths and weaknesses, characterizing both where the LLM is reliable and the systematic tendencies in how it diverges. Second, we ask whether the LLM-based tutoring benefits students; deploying it in an introductory Java course, we find that its feedback leads students to persist and revise rather than abandon a line, that their explanations grow more complete and conceptually richer across attempts, and that students show evidence of learning. These indicate that LLM-based assessment is good enough to power a self-explanation tutor, and that the tutor positively shapes how students study worked examples.
- Abstract（参考訳）: 実例は入門プログラミングの重要な部分ですが、専門家の説明を読むのは受動的です。
自己説明(Self explain)は,自己説明(subgoal level analysis)を用いて問題とその解決法を説明するもので,その研究をアクティブなタスクへと転換するが,自由テキストの説明を評価し,タイムリーなフィードバックを返すことは容易ではないため,スケールが困難である。
大規模言語モデル(LLM)がそのギャップを埋めるかどうかを検討する。
本研究では,導入プログラミングのための自己説明型チュータ ESSE を構築し,学生が作業例の行を解説し,各説明の正確性と完全性に関する即時LLMフィードバックを受信し,2つの目標を追求する。
まず、LLMの判断がチューターの原動力となるのに十分であるかどうかを問うとともに、その判断を異なる種類の独立した人間基準、一つのドメイン専門家と未熟なラウンダーの群集に対して評価し、それぞれ独自の長所と短所を持ち、LLMの信頼性と系統的傾向の両方を特徴付ける。
第二に、LLMベースの授業は学生にとって有益かどうかを問うとともに、入門的なJavaコースに導入することで、そのフィードバックが学生にラインを放棄するよりも継続し、修正することにつながること、彼らの説明が試行を通じてより完全で概念的に豊かになること、そして学生が学習の証拠を示すこと、などを問う。
これらのことから,LLMに基づく評価は,自己説明型学習者を動かすのに十分であることを示すとともに,学習者の動作例を肯定的に形作ることが示唆された。
関連論文リスト
- LLM Pedagogical Behavior in AI Tutoring Interactions [2.7316402953904233]
LLMは、学生が真に学習する相互作用の家庭教師として使うときに提供される援助のレベルについてはほとんど分かっていない。
我々はこの次元を足場レベルとして運用し、人間のアノテーションに対して検証された5段階の尺度を開発する。
大学AI講座の203人の学生から14,637 LLMの回答を得た。
論文 参考訳（メタデータ） (2026-08-24T08:57:40Z) - Towards Just-in-Time Adaptive Feedback: Enhancing Student Learning via Knowledge-Grounded LLM [16.09740388389993]
本稿では,大規模言語モデルにドメイン固有の知識を加えることで,適応的なフィードバックを提供するフレームワークを提案する。
この枠組みを大規模大学コース (N > 1000) に展開し, 学生の成績を従来の学級に比べて80%以上向上させた。
論文 参考訳（メタデータ） (2026-05-26T00:30:19Z) - Evaluating Answer Leakage Robustness of LLM Tutors against Adversarial Student Attacks [9.471800828517496]
本研究では,生徒が逆向きに振る舞うシナリオについて検討し,教師から正しい回答を得ることを目的とする。
我々は、異なるモデルファミリー、教育的に整合したモデル、マルチエージェント設計を含む、LLMベースのチューターモデルを幅広く評価する。
我々は,LLMベースの教師の回答リークを低減し,ロバスト性を高める,シンプルだが効果的な防衛戦略を提案する。
論文 参考訳（メタデータ） (2026-04-20T11:29:22Z) - Can Large Language Models Match Tutoring System Adaptivity? A Benchmarking Study [0.0]
大規模言語モデル(LLM)は動的命令補助として約束を守る。
しかし、LLMが知的チューリングシステム(ITS)の適応性を再現できるかどうかは不明である。
論文 参考訳（メタデータ） (2025-04-07T23:57:32Z) - Exploring Knowledge Tracing in Tutor-Student Dialogues using LLMs [49.18567856499736]
本研究では,大規模言語モデル(LLM)が対話学習を支援することができるかどうかを検討する。
我々は,学習者の知識レベルを対話全体にわたって追跡するために,ラベル付きデータに知識追跡(KT)手法を適用した。
我々は,2つの学習対話データセットの実験を行い,従来のKT手法よりも学生の反応の正しさを予測できる新しいLCM-based method LLMKTが優れていることを示す。
論文 参考訳（メタデータ） (2024-09-24T22:31:39Z) - Evaluating Human Alignment and Model Faithfulness of LLM Rationale [66.75309523854476]
大規模言語モデル(LLM)が,その世代を理論的にどのように説明するかを考察する。
提案手法は帰属に基づく説明よりも「偽り」が少ないことを示す。
論文 参考訳（メタデータ） (2024-06-28T20:06:30Z) - LLMs Assist NLP Researchers: Critique Paper (Meta-)Reviewing [106.45895712717612]
大規模言語モデル(LLM)は、様々な生成タスクにおいて顕著な汎用性を示している。
本研究は,NLP研究者を支援するLLMの話題に焦点を当てる。
私たちの知る限りでは、このような包括的な分析を提供するのはこれが初めてです。
論文 参考訳（メタデータ） (2024-06-24T01:30:22Z) - Learning to Generate Explainable Stock Predictions using Self-Reflective
Large Language Models [54.21695754082441]
説明可能なストック予測を生成するために,LLM(Large Language Models)を教えるフレームワークを提案する。
反射剤は自己推論によって過去の株価の動きを説明する方法を学ぶ一方、PPOトレーナーは最も可能性の高い説明を生成するためにモデルを訓練する。
我々のフレームワークは従来のディープラーニング法とLLM法の両方を予測精度とマシューズ相関係数で上回ることができる。
論文 参考訳（メタデータ） (2024-02-06T03:18:58Z) - 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) - Learning by Self-Explaining [23.420673675343266]
我々は、自己説明による学習(LSX)と呼ばれる画像分類の文脈において、新しいワークフローを導入する。
LSXは、自己修復型AIと人間誘導型説明機械学習の側面を利用する。
本結果は,自己説明による学習による改善を,いくつかのレベルで示すものである。
論文 参考訳（メタデータ） (2023-09-15T13:41:57Z) - Complementary Explanations for Effective In-Context Learning [77.83124315634386]
大規模言語モデル (LLM) は、説明のインプロンプトから学習する際、顕著な能力を示した。
この研究は、文脈内学習に説明が使用されるメカニズムをよりよく理解することを目的としている。
論文 参考訳（メタデータ） (2022-11-25T04:40:47Z)
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。