論文の概要: Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education
- arxiv url: http://arxiv.org/abs/2609.06095v1
- Date: Sat, 05 Sep 2026 13:47:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.201278
- Title: Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education
- Title（参考訳）: 疑わしいが記憶に残る:コンピュータ教育における興味を持ったGenAIアナロジーの学生の批判的受容
- Abstract要約: 学生は、アナログを通して抽象概念を理解するために、生成AI(GenAI)ツールに目を向ける傾向にある。
我々は,GenAI生成アナログの正確性,適切性,仮定を学生がどのように評価するかを検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Motivation: Undergraduate computing students increasingly turn to generative AI (GenAI) tools to understand abstract concepts through analogies. Analogies compare an unfamiliar concept to something familiar, but judging whether the comparison holds requires knowledge of both. GenAI may also embed assumptions about who the learner is. GenAI education research centers on output correctness, leaving students' critical reception of analogies largely unexamined. Method: We investigate how students evaluate the accuracy, appropriateness, and assumptions in GenAI-generated analogies, and their perceptions of interest-personalized versus generic technical explanations. Ten students with CS2 experience participated in a pre-survey, a think-aloud task with linked-list and recursion explanations, and a semi-structured interview grounded in the Paul-Elder framework. They judged accuracy, clarity, engagement, and trust separately. Results: Most participants described interest-personalized analogies as more engaging or memorable than generic technical explanations, while trust was mixed. Some trusted the tailored analogies more; others scrutinized them more closely or distrusted the tailoring. Participants with deep source-domain knowledge identified structural flaws requiring that knowledge to recognize. Because personalization and explanation format differed together, these findings do not isolate an effect of personalization alone. Implications: A familiar source flips the student's role. On the concept they are still learners, but on the familiar source they are the expert, and that is the position from which an analogy can be judged. We call this two-sided analogy auditing. GenAI systems should ask what students know, not just what interests them, and treat a flawed analogy as something to inspect and fix rather than accept.
- Abstract（参考訳）: モチベーション(Motivation): 大学生は、アナログを通して抽象概念を理解するために、生成的AI(GenAI)ツールに目を向ける傾向にある。
アナロジーは、馴染みの無い概念と慣れ親しんだものと比較するが、比較が両者の知識を必要とするかどうかを判断する。
GenAIはまた、学習者が誰であるかについての仮定を埋め込むこともできる。
GenAI教育研究は、出力の正しさに重点を置いており、学生のアナログに対する批判的な受け取りは、ほとんど検討されていない。
方法: 学生がGenAI生成アナロジーの正確性,適切性,仮定をどう評価するか, 興味を持った人格化と一般的な技術的説明の認識について検討する。
CS2の経験を積んだ10人の学生が,プレサーベイ,リンクリストと再帰的説明を伴う思考指導,ポール・エルダーフレームワークに基づく半構造化インタビューに参加した。
彼らは正確さ、明瞭さ、エンゲージメント、信頼を別々に判断した。
結果:ほとんどの参加者は,信頼が混ざりあいながら,利害関係者の類推を一般的な技術的説明よりも魅力的あるいは記憶に残るものとみなした。
幾人かは仕立てられた類推をもっと信頼しており、より精査したり、仕立てを不信にしたりする者もいた。
ディープ・ソース・ドメインの知識を持つ参加者は、その知識が認識するために必要な構造上の欠陥を特定した。
パーソナライズと説明形式は相違するので, パーソナライズの効果のみを分離するものではない。
意味: 親しみやすい情報源が生徒の役割をひっくり返す。
概念上はまだ学習者であるが、慣れ親しんだ情報源では専門家であり、そこからアナロジーを判断できる立場である。
私たちはこの二面的な類推監査を呼んでいます。
GenAIシステムは、学生が何を知りたいのかだけでなく、学生に何を知っているのかを尋ね、欠陥のあるアナロジーを、受け入れるよりも検査し、修正する方法として扱うべきである。
関連論文リスト
- Uncovering Students' Mental Models of Generative Artificial Intelligence [0.6736390862233058]
本稿では,生成型AI(GenAI)の学生のメンタルモデルについて述べる。
学生の精神モデルであるGenAIは、技術の能力や限界をどう知覚するかだけでなく、学術的な仕事にどのように組み込むかにも影響を及ぼす。
論文 参考訳（メタデータ） (2026-07-13T15:25:45Z) - Misconceptions, Pragmatism, and Value Tensions: Evaluating Students' Understanding and Perception of Generative AI for Education [0.11704154007740832]
学生はこの技術のアーリーアダプターであり、非典型的手法で利用している。
学生は,1)GenAIの理解,2)GenAIの利用,3)教育における利用に関するメリット,欠点,倫理的問題について,その説明を求めた。
論文 参考訳（メタデータ） (2024-10-29T17:41:06Z) - Boosting Scientific Concepts Understanding: Can Analogy from Teacher Models Empower Student Models? [12.164449420121189]
本研究では,教師言語モデル(LM)による類推が,科学概念の理解にどのように役立つかを検討する。
以上の結果から,自由形式類似は概念理解におけるLMの助けとなることが示唆された。
論文 参考訳（メタデータ） (2024-06-17T09:51:38Z) - "Like a Nesting Doll": Analyzing Recursion Analogies Generated by CS Students using Large Language Models [5.162225137921625]
優れたアナロジーは、馴染みのない概念と慣れ親しんだ概念のギャップを埋めることができ、理解を助ける魅力的な方法を提供する。
大規模言語モデル(LLM)、特にChatGPTが、需要に応じた個人関連アナロジーにどの程度アクセスできるかを検討する。
論文 参考訳（メタデータ） (2024-03-14T14:01:26Z) - Mathematical Algorithm Design for Deep Learning under Societal and
Judicial Constraints: The Algorithmic Transparency Requirement [65.26723285209853]
計算モデルにおける透過的な実装が実現可能かどうかを分析するための枠組みを導出する。
以上の結果から,Blum-Shub-Smale Machinesは,逆問題に対する信頼性の高い解法を確立できる可能性が示唆された。
論文 参考訳（メタデータ） (2024-01-18T15:32:38Z) - ANALOGYKB: Unlocking Analogical Reasoning of Language Models with A Million-scale Knowledge Base [51.777618249271725]
ANALOGYKBは、既存の知識グラフ(KGs)から派生した100万スケールのアナロジー知識ベースである
1)KGから直接抽出できる同一関係のアナロジー、2)大きな言語モデル(LLM)によって実現される選択とフィルタリングパイプラインと識別される類似関係のアナロジーである。
論文 参考訳（メタデータ） (2023-05-10T09:03:01Z) - Towards Human Cognition Level-based Experiment Design for Counterfactual
Explanations (XAI) [68.8204255655161]
XAI研究の重点は、より理解を深めるために、より実践的な説明アプローチに変わったようだ。
認知科学研究がXAIの進歩に大きく影響を与える可能性のある領域は、ユーザの知識とフィードバックを評価することである。
本研究では,異なる認知レベルの理解に基づく説明の生成と評価を実験する枠組みを提案する。
論文 参考訳（メタデータ） (2022-10-31T19:20:22Z) - The Who in XAI: How AI Background Shapes Perceptions of AI Explanations [61.49776160925216]
私たちは、2つの異なるグループ、つまりAIのバックグラウンドを持つ人々といない人たちの、異なるタイプのAI説明に対する理解について、混合手法による研究を行います。
その結果,(1) 両群は異なる理由から不合理な数に対する信頼を示し,(2) それぞれの群は意図した設計以上の異なる説明に価値を見出した。
論文 参考訳（メタデータ） (2021-07-28T17:32:04Z) - Explainable AI and Adoption of Algorithmic Advisors: an Experimental
Study [0.6875312133832077]
参加者は,人間あるいはアルゴリズムのアドバイザリからアドバイスを受けながら,webベースのゲームをプレイする実験手法を開発した。
異なる種類の説明が採用準備、支払い意欲、および金融AIコンサルタントの信頼に影響を与えるかどうかを評価します。
初対面時の導入を促進する説明の種類は,失敗後の最も成功したものや,コストのかかるものとは異なることが分かりました。
論文 参考訳（メタデータ） (2021-01-05T09:34:38Z) - Few-shot Visual Reasoning with Meta-analogical Contrastive Learning [141.2562447971]
本稿では,類似推論に頼って,数ショット(または低ショット)の視覚推論問題を解くことを提案する。
両領域の要素間の構造的関係を抽出し、類似学習と可能な限り類似するように強制する。
RAVENデータセット上での本手法の有効性を検証し, トレーニングデータが少ない場合, 最先端の手法より優れることを示す。
論文 参考訳（メタデータ） (2020-07-23T14:00:34Z) - Explainable Active Learning (XAL): An Empirical Study of How Local
Explanations Impact Annotator Experience [76.9910678786031]
本稿では、最近急増している説明可能なAI(XAI)のテクニックをアクティブラーニング環境に導入することにより、説明可能なアクティブラーニング(XAL)の新たなパラダイムを提案する。
本研究は,機械教育のインタフェースとしてのAI説明の利点として,信頼度校正を支援し,リッチな形式の教示フィードバックを可能にすること,モデル判断と認知作業負荷による潜在的な欠点を克服する効果を示す。
論文 参考訳（メタデータ） (2020-01-24T22:52:18Z)
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。