論文の概要: A Risk-Adaptive and Evidence-Constrained Framework for Generative AI Feedback in Programming Education
- arxiv url: http://arxiv.org/abs/2609.29874v1
- Date: Thu, 24 Sep 2026 14:28:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:10.005072
- Title: A Risk-Adaptive and Evidence-Constrained Framework for Generative AI Feedback in Programming Education
- Title（参考訳）: プログラミング教育におけるリスク適応型・エビデンス制約型AIフィードバックフレームワーク
- Abstract要約: リスク適応型,エビデンスに制約のあるプログラミングフレームワークを,2993名の学生215名を対象に開発した。
学生の不一致モデルでは、持続的障害と関連する結果が予測され、136例の4つの一致したフィードバック条件が生成された。
一定条件のシーケンシャルポリシーは17.8%の試験状態を選択し、観察された持続的障害の25.2%を捕獲した。
- 参考スコア（独自算出の注目度）: 11.094748057986067
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative artificial intelligence can turn learning analytics into personalized support, but feedback systems must decide when to intervene, which evidence to use, and how much assistance to provide. We developed a risk-adaptive, evidence-constrained framework for introductory programming using 2993 failed-submission states from 215 students. Student-disjoint models predicted persistent failure and related outcomes; four matched feedback conditions were generated for 136 cases; and calibrated risk informed capacity-limited intervention policies. The validation-selected logistic regression model achieved a test precision-recall area under the curve of 0.550 and a receiver operating characteristic area under the curve of 0.681. Broader student histories improved prediction of unmodified resubmission. After standardized repair and evidence gating, 519 of 544 newly generated messages contained all required components. A fixed-threshold sequential policy selected 17.8% of eligible test states and captured 25.2% of observed persistent failures. These findings support an evidence-gated progressive assistance strategy: calibrated risk guides intervention timing, recorded evidence constrains feedback content, and assistance progresses from self-checks to localized hints when warranted. The framework connects prediction, decision-making, and grounded generation while keeping their evaluation outcomes distinct.
- Abstract（参考訳）: 生成する人工知能は、学習分析をパーソナライズされたサポートに変えることができるが、フィードバックシステムはいつ介入するか、どのエビデンスを使うか、どれくらいの支援を提供するかを決定する必要がある。
学生215名を対象に,2993のフェール・サブミッション状態を用いて,リスク適応型,エビデンスに制約のあるプログラミングフレームワークを開発した。
学生の不一致モデルでは、持続的障害と関連する結果が予測され、4つの一致したフィードバック条件が136ケースで生成され、リスク情報に制限された介入ポリシーが校正された。
バリデーション選択ロジスティック回帰モデルでは、0.550の曲線下でのテスト精度・リコール領域、0.681の曲線下での受信特性領域を実現した。
広汎な学生の履歴は、修正されていない再提出の予測を改善した。
標準化された修理と証拠収集の後、544の新たに生成されたメッセージのうち519は、必要なすべてのコンポーネントを含んでいた。
固定閾値シーケンシャルポリシーは17.8%の試験状態を選択し、観察された持続的障害の25.2%を捕獲した。
リスクガイドの校正は介入のタイミングの調整、証拠の記録はフィードバックの内容の制約、自己チェックから保証されたときの局所的なヒントへの支援などである。
このフレームワークは、予測、意思決定、基底生成を結合し、評価結果を区別する。
関連論文リスト
- BackTrend: Evaluating Scientific Weak-Signal Prediction via Backward Reconstruction [58.03195482017449]
成熟した対象トピックが与えられた場合、システムは問題空間信号、未認識の研究問題、解空間信号を回復しなければならない。
BackTrendには、人工知能と機械学習における25の成熟したターゲットトピックと、66人の有能な弱いシグナルが含まれている。
セマンティックマッチングとカバレッジに基づくメトリクスを用いて,フロンティアLLM,RAGシステム,エージェント研究システムの評価を行った。
論文 参考訳（メタデータ） (2026-09-21T17:18:19Z) - ExplainRoute: A Pre-Deployment Audit Framework for Non-Answer-Giving Programming Tutors [13.531743811563722]
ExplainRouteは、非回答型プログラミングチューターのための事前デプロイ監査フレームワークである。
教室配備前の情報境界、応答極性、障害の閉鎖、学習者/説明の可視性の価値を監査する。
評価は、直接回答、固定された自己説明、固定されたソクラテス足場、適応的なルーティング、適応的な非状態アブレーションを比較する。
論文 参考訳（メタデータ） (2026-09-03T07:28:22Z) - Causal-Audit: A Framework for Risk Assessment of Assumption Violations in Time-Series Causal Discovery [1.7192141121569653]
Causal-Auditは、仮定検証をキャリブレートされたリスクアセスメントとして形式化するフレームワークである。
このフレームワークは、5つの仮定ファミリにまたがるエフェクトサイズの診断を計算する。
証拠が信頼できる推論をサポートする場合にのみメソッドを推奨する、控え目な決定ポリシーを適用する。
論文 参考訳（メタデータ） (2026-04-02T19:43:57Z) - Evaluating Prompt Injection Defenses for Educational LLM Tutors: Security-Usability-Latency Trade-offs [51.56484100374058]
ガードレールの設計には、敵の堅牢性、良質なタスクのユーザビリティ、応答レイテンシの明確なトレードオフが伴う。
決定論的パターンフィルタ,構造検証,コンテキストサンドボックス,セッションレベルの動作チェックを組み合わせた,ドメイン固有のマルチレイヤセーフガードパイプラインの評価を行った。
NeMoは16.22パーセントのFPRと1.5パーセントのレイテンシで0パーセントのバイパスに達し、Prompt Guardは38.48パーセントのFPRと3.60パーセントのバイパスを実現している。
論文 参考訳（メタデータ） (2026-03-29T18:52:01Z) - Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。
内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
論文 参考訳（メタデータ） (2026-03-13T20:44:15Z) - Machine Learning Grade Prediction Using Students' Grades and Demographics [0.0]
本研究では、パス/フェイル結果と連続的なグレードを同時に予測する統合機械学習フレームワークを導入する。
中学生4424人の学歴データと人口統計データを用いて、分類モデルは最大96%の精度を達成した。
その結果,リスクのある学生の早期・データ駆動型識別の可能性が確認された。
論文 参考訳（メタデータ） (2026-02-28T11:56:39Z) - Resilient Microservices: A Systematic Review of Recovery Patterns, Strategies, and Evaluation Frameworks [0.0]
本稿では,2014年から2025年にかけて発行されたマイクロサービス回復戦略について,PRISMAの系統的な文献レビューを行う。
レビューでは、サーキットブレーカー、ジッタと予算によるリトライ、補償付きサガ、イデペンポシー、バルクヘッド、適応的バックプレッシャ、可観測性、カオスバリデーションを含む9つの繰り返し発生するレジリエンステーマを特定した。
論文 参考訳（メタデータ） (2025-12-18T04:13:54Z) - Uncertainty Quantification for Regression using Proper Scoring Rules [76.24649098854219]
CRPS,対数,2乗誤差,2次スコアなど,適切なスコアリングルールに基づく回帰のための統一的UQフレームワークを提案する。
実測パラメトリックな仮定に基づく不確実性尺度に対する閉形式式を導出し、モデルのアンサンブルを用いてそれらを推定する方法を示す。
合成および実世界の回帰データセットに対する広範な評価は、信頼性の高いUQ尺度を選択するためのガイダンスを提供する。
論文 参考訳（メタデータ） (2025-09-30T17:52:12Z) - Controlling Risk of Retrieval-augmented Generation: A Counterfactual Prompting Framework [77.45983464131977]
我々は、RAGモデルの予測が誤りであり、現実のアプリケーションにおいて制御不能なリスクをもたらす可能性がどの程度あるかに焦点を当てる。
本研究は,RAGの予測に影響を及ぼす2つの重要な潜伏要因を明らかにする。
我々は,これらの要因をモデルに誘導し,その応答に与える影響を解析する,反実的プロンプトフレームワークを開発した。
論文 参考訳（メタデータ） (2024-09-24T14:52:14Z) - Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。
本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-08T07:05:36Z)
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。