論文の概要: TutorTrace: A Dataset and Taxonomy for Classifying Learner Behavioral States during AI-Assisted Programming Education
- arxiv url: http://arxiv.org/abs/2608.26184v1
- Date: Sat, 22 Aug 2026 11:40:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.109501
- Title: TutorTrace: A Dataset and Taxonomy for Classifying Learner Behavioral States during AI-Assisted Programming Education
- Title（参考訳）: TutorTrace:AI支援プログラミング教育における学習者の行動状態の分類のためのデータセットと分類法
- Abstract要約: TutorTraceはデータセットと振る舞いの抽象化パイプラインで、学習者の振る舞いコンテキストをリアルタイムで可視化し、計算可能にする。
我々は、最初のAIクエリの前に学習者のアクティビティの分類を導き、連続的なクエリ間で、そして全セッションにわたって導き出す。
予備的な教室評価では、行動認識のプロンプトは、独立した作業を行わないクエリ間の間隔を50.0%から20.7%に減少させる。
- 参考スコア（独自算出の注目度）: 10.562166959716771
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI programming tutors provide scalable support, yet lack the behavioral context human tutors rely on to adapt support to learners' needs. We present TutorTrace, a dataset and behavioral abstraction pipeline that makes learners' behavioral context visible and computable in real time from low-level IDE telemetry. Across four deployments in two introductory Python courses (N=480), TutorTrace captures approximately 180K telemetry events, 13,633 behavioral segments, and 27 continuously computed metrics. From this foundation, we derive a taxonomy of learner activity before the first AI query, between consecutive queries, and across the full session, enabling systems to respond not just to what learners say, but to what they have done leading up to the help-seeking moment. In a preliminary classroom evaluation, behavior-aware prompts were associated with a decrease in intervals between queries with no independent work from 50.0% to 20.7%. As an additional demonstration of downstream utility, we evaluate TutorTrace on two held-out prediction tasks: whether a learner will query within the next 60 seconds (AUROC=.726) and whether an upcoming query reflects guided or dependent help-seeking (AUROC=.717). Together, these findings show how behavioral context can enable adaptive AI tutoring at scale.
- Abstract（参考訳）: AIプログラミングチューターはスケーラブルなサポートを提供するが、人間のチューターが学習者のニーズに適応するために依存する振る舞いコンテキストは欠如している。
本研究では,低レベルのIDEテレメトリから学習者の行動コンテキストをリアルタイムで可視化し,計算可能にする,データセットおよび行動抽象化パイプラインTutorTraceを提案する。
2つの入門Pythonコース(N=480)の4つのデプロイで、TutorTraceはおよそ180Kのテレメトリイベント、13,633の振る舞いセグメント、27の連続計算メトリクスをキャプチャする。
この基礎から、最初のAIクエリの前に学習者のアクティビティの分類を導き、連続的なクエリと全セッションの間を行き来し、学習者が何を言っているかだけでなく、助けを求める瞬間へと導くためにシステムが対応できるようにします。
予備的な教室評価では、行動認識のプロンプトは、独立した作業を行わないクエリ間の間隔を50.0%から20.7%に減少させる。
下流ユーティリティのデモとして、学習者が60秒以内にクエリするかどうか(AUROC=.726)と、次のクエリがガイドされたか依存したヘルプ検索を反映するかどうか(AUROC=.717)の2つの予測タスクについてTutorTraceを評価する。
これらの知見とともに、行動コンテキストが大規模に適応的なAI学習を実現する方法を示している。
関連論文リスト
- NeoHorse-1: Towards Recursive Self-Improvement via Agentic Post-Training with Routing Harness [76.6324710887112]
NeoHorse-1は、エージェントのポストトレーニングを通じてこの経路を探索するために開発されたエージェントネイティブモデルのファミリーである。
本システムでは,異種モデルプールとインテリジェントなルーティング,予測能力要求,選択されたサービス層,およびその後のユーザ毎のインタラクションを結合する。
論文 参考訳（メタデータ） (2026-09-08T03:14:54Z) - Regulating the AI Tutor: Intentions, Help-Seeking, and Self-Regulated Learning in Adolescent GenAI Use [2.024558551027881]
このワーク・イン・プログレスでは、ドイツ・ギムナシウムの学校3校の98年生を対象に、オープンエンドの会話データを調査している。
ドメイン前知識,チャット前学習ニーズ,自己報告型認知負荷を収集した。
学生はチャットの前に圧倒的に足場付きサポートを選択したが、その相互作用は道具的要求によって支配された。
論文 参考訳（メタデータ） (2026-06-07T10:47:52Z) - AI-Assisted Code Review as a Scaffold for Code Quality and Self-Regulated Learning: An Experience Report [4.541490370053892]
GitHubのプルリクエスト(Human-in-the-loop)に直接統合されたLCM-as-reviewerについて検討する。
自己統制学習プロセスの行動指標としてのエンゲージメントと応答性について検討した。
i)認知的オフロードを緩和しながら学習を足場とするAIレビュアの作業フロー設計、(ii)正当性のある2つのコホート間での横断的な比較、(iv)責任を負う学生主導のAI支援レビューに対するエビデンスベースの教育的レコメンデーション。
論文 参考訳（メタデータ） (2026-04-25T11:10:57Z) - Using Learning Progressions to Guide AI Feedback for Science Learning [9.90590245204881]
生成人工知能(AI)は、フォーマティブフィードバックのスケーラブルなサポートを提供する。
効果的ではあるが、ルーリックオーサリングは時間がかかり、命令コンテキスト間のスケーラビリティが制限される。
本研究では、LP駆動のルーブリック生成パイプラインが、専門家によるタスクルーブリックによるフィードバックに匹敵する品質のAI生成フィードバックを生成できるかどうかを検討する。
論文 参考訳（メタデータ） (2026-03-03T18:39:58Z) - From Pilots to Practices: A Scoping Review of GenAI-Enabled Personalization in Computer Science Education [0.6372261626436676]
生成AIは、大規模にパーソナライズされたコンピュータサイエンス教育を可能にするが、そのようなパーソナライゼーションが学習を阻害するかどうかについては疑問が残る。
このスコーピングレビューは、259レコードから純粋にサンプリングされた32の研究を合成し、マップのパーソナライズ機構と効果信号を生成する。
インテリジェントなチューター、パーソナライズされた素材、フォーマティブなフィードバック、AI強化されたアセスメント、コードレビューの5つのアプリケーションドメインを特定し、デザインの選択が学習結果をどのように形成するかを分析します。
論文 参考訳（メタデータ） (2025-12-23T19:20:34Z) - Behavioral Exploration: Learning to Explore via In-Context Adaptation [53.92981562916783]
我々は、過去の観察の文脈で条件付けられた専門家の行動を予測し、専門家の行動がこの文脈とどのように関係しているかを測定するために、長期コンテキスト生成モデルを訓練する。
これにより、モデルが専門家の振る舞いを模倣するだけでなく、過去の相互作用の歴史を文脈に反映することで、これまで選択されたものと異なる専門家の振る舞いを選択することができる。
本手法は実環境におけるロボット操作作業だけでなく,シミュレーションロコモーションと操作設定の両方において有効であることを示す。
論文 参考訳（メタデータ） (2025-07-11T21:36:19Z) - TutorGym: A Testbed for Evaluating AI Agents as Tutors and Students [0.283600654802951]
TutorGymは、人工知能(AI)エージェントを既存の知的チューリングシステム(ITS)内でテストするための標準インターフェースである。
問題解決の各ステップでは、AIエージェントが教師や学習者として何をするかを尋ねられる。
学生として、エージェントはITS命令から直接学習し、その誤りや学習軌跡を学生データと比較することができる。
論文 参考訳（メタデータ） (2025-05-02T20:03:21Z) - Hierarchical Decomposition of Prompt-Based Continual Learning:
Rethinking Obscured Sub-optimality [55.88910947643436]
大量のラベルのないデータを実際に扱うためには、自己教師付き事前トレーニングが不可欠である。
HiDe-Promptは、タスク固有のプロンプトと統計のアンサンブルで階層的なコンポーネントを明示的に最適化する革新的なアプローチである。
実験では,HiDe-Promptの優れた性能と,継続学習における事前学習パラダイムへの頑健さを実証した。
論文 参考訳（メタデータ） (2023-10-11T06:51:46Z) - VisIT-Bench: A Benchmark for Vision-Language Instruction Following
Inspired by Real-World Use [49.574651930395305]
VisIT-Benchは、命令追従型視覚言語モデルの評価のためのベンチマークである。
提案データセットは592個のテストクエリからなり,それぞれに人手による指示条件付きキャプションを付与した。
人的評価と自動評価の両方を用いて,モデルと参照間の品質ギャップを定量化する。
論文 参考訳（メタデータ） (2023-08-12T15:27:51Z) - Learning Action Conditions from Instructional Manuals for Instruction Understanding [48.52663250368341]
本稿では,行動条件推論というタスクを提案し,命令マニュアルにおける行動条件の事前条件と後条件の高品質なアノテートデータセットを収集する。
本稿では,オンライン指導マニュアルから大規模トレーニングインスタンスを自動構築する弱い教師付きアプローチを提案し,人間に注釈を付けて検証したデータセットをキュレートし,現在のNLPモデルが命令テキストの動作条件依存性をいかに推測できるかを検証した。
論文 参考訳（メタデータ） (2022-05-25T00:19:59Z) - How Useful is Self-Supervised Pretraining for Visual Tasks? [133.1984299177874]
我々は、総合的な合成データセットと下流タスクにまたがる様々な自己教師付きアルゴリズムを評価する。
我々の実験は、利用可能なラベルの数が増えるにつれて、セルフスーパービジョンの有用性がどう変化するかについての洞察を提供する。
論文 参考訳（メタデータ） (2020-03-31T16:03:22Z)
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。