論文の概要: Your Programming Students' Cognition with ChatGPT: Higher Performance, Lower Retention, and Reduced Ownership

• arxiv url: http://arxiv.org/abs/2609.21194v1
• Date: Fri, 18 Sep 2026 01:20:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.810251
• Title: Your Programming Students' Cognition with ChatGPT: Higher Performance, Lower Retention, and Reduced Ownership
• Title（参考訳）: プログラミングの学生のChatGPTに対する認識: より高いパフォーマンス、低い保持、オーナーシップの削減
• Abstract要約: 生成AIは、学生のプログラミング性能を改善することができるが、タスク完了の成功は、彼らが保持するものを反映しないかもしれない。 課題パフォーマンス,自己報告型精神的努力と難易度,瞳孔反応,心拍変動,所有度を測定した。 これらの結果から, タスクパフォーマンスとその後のリコールと, この環境におけるオーナシップ感のギャップが明らかとなった。
• 参考スコア（独自算出の注目度）: 47.1499482596193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative AI can improve students' programming performance, but successful task completion may not reflect what they retain. We examined performance, retention, cognitive load, and ownership in a controlled between-subjects experiment with 59 undergraduate computer science students, 55 were retained for analysis. Participants completed three introductory C programming tasks with access to ChatGPT-4.5 or conventional web search without generative AI. We measured task performance, self-reported mental effort and difficulty, pupillary responses, heart rate variability, and ownership, and assessed cued recall immediately and 48 hours later. ChatGPT-assisted students achieved higher coding scores (89% vs. 69%) but lower recall scores immediately (41% vs. 53%) and after 48 hours (39% vs. 52%). There was no significant difference in the loss of recall information over 48 hours between the groups. Self-reported mental effort increased less across tasks in the ChatGPT condition (Holm-adjusted p = .047), and students attributed less of the submitted code to themselves (45% vs. 81%). Confirmatory physiological tests did not detect significant differences in trajectories between conditions; substantial data loss limits their interpretation. These findings reveal a gap between assisted task performance and subsequent recall and sense of ownership in this setting. They motivate the need for assessment practices and AI learning tools that require students to explain, retrieve, and contribute to the work they submit as active participants in their education.
• Abstract（参考訳）: 生成AIは、学生のプログラミング性能を改善することができるが、タスク完了の成功は、彼らが保持するものを反映しないかもしれない。 59人のコンピュータサイエンスの学生を対象に, 制御対象間比較実験における評価, 保持, 認知負荷, オーナシップについて検討した。 参加者は、ChatGPT-4.5またはジェネレーティブAIなしで通常のWeb検索にアクセスして、3つのC言語プログラミングタスクを完了した。 課題遂行,自己報告型精神的努力,難易度,瞳孔反応,心拍変動,所有度を測定し,即時および48時間後に心電図検査を行った。 チャットGPT支援学生は、より高いコーディングスコア(89%対69%)を達成したが、リコールスコア(41%対53%)と48時間後(39%対52%)はすぐに低いリコールスコア(41%対53%)を得た。 グループ間で48時間以上のリコール情報の損失には有意な差はなかった。 自己申告された精神的努力は、ChatGPT条件(ホルム調整されたp = .047)のタスク全体では増加せず、学生は提出されたコードの45%対81%)を自分自身に割り当てた。 確認的生理学的検査では、条件間の軌道の顕著な差異は検出されなかった。 これらの結果から, タスクパフォーマンスとその後のリコールと, この環境におけるオーナシップ感のギャップが明らかとなった。 彼らは、学生が教育に積極的に参加するために提出した仕事の説明、検索、貢献を要求するアセスメントプラクティスとAI学習ツールの必要性を動機付けている。

関連論文リスト

• Learning on the Job: Test-Time Curricula for Targeted Reinforcement Learning [51.34470146576741]
  本稿では,タスク固有のカリキュラムを組み立て,強化学習を適用して目標タスクのモデルのトレーニングを継続するエージェントを提案する。 テストタイムカリキュラムは、タスク関連データを自動的に選択することで、データセットの時間を要する人によるキュレーションを避ける。 実験により,テストタイムのカリキュラム上での強化学習は,目標タスクにおけるモデルの改善を継続的に行うことを示した。
  論文  参考訳（メタデータ） (2025-10-06T13:07:14Z)
• Predicting ChatGPT Use in Assignments: Implications for AI-Aware Assessment Design [0.0]
  この研究は、ChatGPTを新しい概念の学習に頻繁に使うことは、潜在的過度に相関していることを示している。 我々は、イノベーションと学術的厳密さのバランスをとるために、規律に特有なガイドラインと再考された評価戦略を提案する。
  論文  参考訳（メタデータ） (2025-08-16T11:09:38Z)
• Detection of Disengagement from Voluntary Quizzes: An Explainable Machine Learning Approach in Higher Distance Education [0.3141085922386211]
  課題から脱落した学生は、学術的なドロップアウトなど、深刻な長期的な結果をもたらす可能性がある。 本稿では,遠隔地大学から4学年で42の教科の非命令的クイズにおける学生の離職を検知する。 我々は、訓練されたアルゴリズムの決定をよりよく理解するための、説明可能な機械学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2025-07-03T14:43:40Z)
• Generative AI in Computer Science Education: Accelerating Python Learning with ChatGPT [1.1169959897721926]
  本研究では,生成型AI,特にOpenAIs ChatGPTを,適用型生成型AIに関する16週間の専門訓練コース内で,自己ペースのPythonプログラムモジュールに統合することの有効性を評価する。
  論文  参考訳（メタデータ） (2025-05-24T03:13:46Z)
• Improving Question Embeddings with Cognitive Representation Optimization for Knowledge Tracing [77.14348157016518]
  KTモデリングの研究は、既存の未更新の学生の相互作用の記録に基づいて、将来の学生のパフォーマンスを予測することに焦点を当てている。 動的プログラミングアルゴリズムを用いて認知表現の構造を最適化する知識追跡型認知表現最適化(CRO-KT)モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-05T09:32:03Z)
• Could ChatGPT get an Engineering Degree? Evaluating Higher Education Vulnerability to AI Assistants [176.39275404745098]
  我々は,2つのAIアシスタントであるGPT-3.5とGPT-4が適切な回答を得られるかどうかを評価する。 GPT-4は65.8%の質問を正解し、85.1%の質問に対して少なくとも1つの手順で正しい答えを出すことができる。 この結果から,AIの進歩を踏まえて,高等教育におけるプログラムレベルの評価設計の見直しが求められた。
  論文  参考訳（メタデータ） (2024-08-07T12:11:49Z)
• Can generative AI and ChatGPT outperform humans on cognitive-demanding problem-solving tasks in science? [1.1172147007388977]
  本研究は,2019年のNAEP科学評価におけるChatGPTとGPT-4の性能を,各項目の認知的要求によって比較した。 その結果、ChatGPTとGPT-4は、NAEPの科学評価に回答したほとんどの生徒より一貫して優れていた。
  論文  参考訳（メタデータ） (2024-01-07T12:36:31Z)

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。