論文の概要: Look Before You Prompt, and After: Scaffolding Human-AI Collaboration in Software Tutorial Creation
- arxiv url: http://arxiv.org/abs/2609.05563v1
- Date: Thu, 03 Sep 2026 21:26:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 13:20:58.800673
- Title: Look Before You Prompt, and After: Scaffolding Human-AI Collaboration in Software Tutorial Creation
- Title（参考訳）: ソフトウェアチュートリアル作成における人間とAIのコラボレーションの難しさ
- Abstract要約: dBlocksは、モデルベースの命令(LLM)でソフトウェアチュートリアルを作成するツールである。
dBlocksは検証の摩擦を減らし、書き手は遅延やスキップではなく、ドラフトしたコードを検証する。
我々の研究は、SEで人中心設計を足場とするツールに影響を及ぼし、人間中心設計がLLMツールの開発をいかに導くかを示している。
- 参考スコア（独自算出の注目度）: 3.4240285806053072
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With LLMs, creating software tutorials now involves steering the model's output and shaping it into a coherent, accurate learning resource, yet existing LLM tools offer writers little support for this work. By analyzing interviews with technical writers ($N=17$), we identify three requirements for how they assemble and structure multiple LLM responses, curate the context the model uses, and verify the generated content. We designed a tool called dBlocks with the following features: blocks to scope content, a context manager to edit context, and inline execution to verify code. Following a human-centered design method, we iteratively refined the design through a user study ($N=5$). In a within-subjects lab study ($N=16$) comparing dBlocks with participants' preferred workflows for LLM-assisted authoring, participants reported significantly higher confidence in the tutorials they produced with dBlocks. In addition, the tool reduced friction in verification, with writers verifying code as they drafted rather than deferring or skipping it, and helped them avoid searching long chat histories by scoping their work into blocks that kept each tutorial section and its LLM conversation together. More broadly, our work offers implications for tools that scaffold human-AI collaboration in SE workflows and shows how human-centered design can guide the development of LLM-integrated tools.
- Abstract（参考訳）: LLMでは、ソフトウェアチュートリアルの作成が、モデルのアウトプットをステアリングして、一貫性のある正確な学習リソースへと形作ります。
技術ライターとのインタビュー(N=17$)を解析することにより、複数のLCM応答を組み立て、構成する方法の3つの要件を特定し、モデルが使用するコンテキストをキュレートし、生成されたコンテンツを検証する。
私たちはdBlocksと呼ばれるツールを設計しました。コンテンツの範囲のブロック、コンテキストを編集するコンテキストマネージャ、コードを検証するためのインライン実行です。
人中心の設計手法に従って,ユーザスタディ(N=5$)を通じて,設計を反復的に洗練する。
LLM支援オーサリングのための参加者の好みのワークフローとdBlocksの比較実験(N=16$)において、参加者はdBlocksで作成したチュートリアルに対して、かなり高い信頼性を報告した。
さらに、このツールは検証の摩擦を減らし、書き手は遅延やスキップではなく、起草したコードを検証し、各チュートリアルセクションとLLM会話を一緒に保持するブロックに自分の作業をスクープすることで、長いチャット履歴の検索を回避した。
より広範に、私たちの研究は、SEワークフローで人間とAIのコラボレーションを足場とするツールに意味を与え、人間中心の設計がLLM統合ツールの開発をいかに導くかを示します。
関連論文リスト
- The Role of LLMs in Collaborative Software Design [9.27915132566963]
大規模言語モデル(LLM)は、ソフトウェア工学における協調グループワークを形作る。
本研究は,このような協調作業,すなわちソフトウェア設計に焦点をあてる。
論文 参考訳（メタデータ） (2026-04-10T09:00:33Z) - Sketch: A Toolkit for Streamlining LLM Operations [51.33202045501429]
大規模言語モデル(LLM)は大きな成功を収めた。
アウトプットフォーマットの柔軟性は、モデルのアウトプットを制御および活用する上での課題を引き起こします。
スケッチ(Sketch)は、多種多様な分野にわたるLCM操作を合理化するための革新的なツールキットである。
論文 参考訳（メタデータ） (2024-09-05T08:45:44Z) - What You Need is What You Get: Theory of Mind for an LLM-Based Code Understanding Assistant [0.0]
開発者のコード理解を支援するために、多くのツールがLLM(Large Language Models)を使用している。
本研究では,LLMをベースとした対話型アシスタントの設計を行った。
コード理解の初心者を支援するためにLLMベースの会話アシスタントを開発したり改善したりしたい研究者やツールビルダーに洞察を提供する。
論文 参考訳（メタデータ） (2024-08-08T14:08:15Z) - CollabStory: Multi-LLM Collaborative Story Generation and Authorship Analysis [5.929552001093879]
私たちはCollabStoryと呼ばれる、初めてLLM生成のコラボレーティブなストーリーデータセットを生成します。
オープンソース命令チューニング LLM を用いて,32k 以上のストーリーを生成する。
複数LLM設定のためのオーサシップ関連タスクを拡張し,LLM-LLMコラボレーションのためのベースラインを提示する。
論文 参考訳（メタデータ） (2024-06-18T14:35:12Z) - Tool Learning in the Wild: Empowering Language Models as Automatic Tool Agents [56.822238860147024]
大規模な言語モデルを外部ツールで拡張することは、彼らのユーティリティを拡張するための有望なアプローチとして現れました。
以前のメソッドは、ツールドキュメントを手動で解析し、コンテキスト内デモを作成し、ツールをLLMがステップバイステップの推論で使用する構造化フォーマットに変換する。
LLMがツール使用ワークフローを自動化できるフレームワークであるAutoToolsを提案する。
論文 参考訳（メタデータ） (2024-05-26T11:40:58Z) - Towards Completeness-Oriented Tool Retrieval for Large Language Models [60.733557487886635]
現実世界のシステムは多種多様なツールを組み込んでおり、全てのツールを大規模言語モデルに入力することは不可能である。
既存のツール検索手法は主にユーザクエリとツール記述間のセマンティックマッチングに焦点を当てている。
我々は,ユーザクエリとツール記述のセマンティックな類似性だけでなく,ツールの協調的情報も考慮した,新しいモデル診断型協調学習型ツール検索手法であるCOLTを提案する。
論文 参考訳（メタデータ） (2024-05-25T06:41:23Z) - If LLM Is the Wizard, Then Code Is the Wand: A Survey on How Code
Empowers Large Language Models to Serve as Intelligent Agents [81.60906807941188]
大型言語モデル(LLM)は、自然言語と形式言語(コード)の組み合わせに基づいて訓練される
コードは、標準構文、論理一貫性、抽象化、モジュール性を備えた高レベルの目標を実行可能なステップに変換する。
論文 参考訳（メタデータ） (2024-01-01T16:51:20Z) - SPROUT: an Interactive Authoring Tool for Generating Programming Tutorials with the Visualization of Large Language Models [19.885485760758783]
大規模言語モデル(LLM)の急速な開発は、プログラミングチュートリアルの作成効率に革命をもたらした。
プログラミングチュートリアル作成タスクを実行可能なステップに分解する,新しいアプローチを導入する。
次に,SPROUTを提案する。SPROUTは,プログラミングチュートリアル作成プロセスのより深い制御と理解を可能にする,インタラクティブな可視化機能を備えたオーサリングツールである。
論文 参考訳（メタデータ） (2023-12-04T10:46:52Z) - Lessons from Building StackSpot AI: A Contextualized AI Coding Assistant [2.268415020650315]
大規模言語モデル上に構築された新しいタイプのツールが登場しつつある。
これらのツールは、微調整やコンテキスト情報によるユーザプロンプトの強化といった手法を用いて、欠点を軽減することを目的としている。
論文 参考訳（メタデータ） (2023-11-30T10:51:26Z) - CREATOR: Tool Creation for Disentangling Abstract and Concrete Reasoning of Large Language Models [74.22729793816451]
大規模言語モデル(LLM)はツールの利用において大きな進歩を遂げているが、その能力はAPIの可用性によって制限されている。
我々は、LCMがドキュメンテーションとコード実現を使って独自のツールを作成できる新しいフレームワークCREATORを提案する。
我々は,MATH と TabMWP のベンチマークで CREATOR を評価する。
論文 参考訳（メタデータ） (2023-05-23T17:51:52Z) - Low-code LLM: Graphical User Interface over Large Language Models [115.08718239772107]
本稿では,人間-LLMインタラクションフレームワークであるLow-code LLMを紹介する。
より制御可能で安定した応答を実現するために、6種類のシンプルなローコードビジュアルプログラミングインタラクションを組み込んでいる。
ユーザフレンドリなインタラクション,制御可能な生成,広い適用性という,低コード LLM の3つの利点を強調した。
論文 参考訳（メタデータ） (2023-04-17T09:27:40Z)
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。