論文の概要: Guardrails or Roadblocks? Effects of Pedagogical Style and Context Awareness in AI Teaching Assistants for Programming
- arxiv url: http://arxiv.org/abs/2609.29995v1
- Date: Thu, 24 Sep 2026 15:43:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:10.061794
- Title: Guardrails or Roadblocks? Effects of Pedagogical Style and Context Awareness in AI Teaching Assistants for Programming
- Title（参考訳）: ガードレールとロードブロック : プログラミング支援者における教育的スタイルと文脈意識の影響
- Abstract要約: 大規模言語モデル(LLM)と教育用ガードレールが支援するAI教育アシスタント(AI TA)は、プログラミングコースに統合されつつある。
本研究では,AI TA設計が学生の学習経験に与える影響について検討する。
- 参考スコア（独自算出の注目度）: 1.537174832986163
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AI teaching assistants (AI TAs) backed by large language models (LLMs) and pedagogical guardrails are increasingly being integrated into programming courses, providing students with scalable access to hints, conceptual explanations, and code-level feedback. However, guardrails may also create friction. If students feel that the support provided is overly restrictive or poorly contextualized to their current progress, they may bypass approved tools for general-purpose LLMs. To investigate how AI TA design affects students' learning experiences, we conducted a randomized controlled trial with 132 students in an introductory programming course. Students completed three tasks related to code-writing and debugging and were randomly assigned to one of four AI TAs varied across two dimensions: pedagogical guidance style (Socratic vs. Direct instruction) and context awareness (no context vs. full context of the problem and student solution). We examined students' perceptions, interaction behaviors, and evidence of post-task comprehension. Students rated the Socratic AI TA with full context least favorably, reporting significantly lower perceived support for task completion. Descriptively, this condition also showed the highest observed interaction stress, the highest rate of external LLM use, and the lowest proportion of post-task explanations demonstrating full comprehension, though these differences were not statistically significant. These findings suggest that guardrailed AI TAs are not automatically better for learning. Instead, their effectiveness depends on how pedagogical guidance and contextual awareness are balanced in ways that students experience as useful, supportive, and worth continuing to use.
- Abstract（参考訳）: 大規模言語モデル(LLM)と教育用ガードレールが支援するAI教育アシスタント(AI TA)は、プログラミングコースに統合され、ヒントへのスケーラブルなアクセス、概念的説明、コードレベルのフィードバックを提供する。
しかし、ガードレールは摩擦を引き起こす可能性がある。
学生が提供したサポートが現在の進歩に過度に制限されているか、文脈が不十分であると感じている場合、汎用LLMの承認ツールをバイパスする可能性がある。
AI TA設計が学生の学習経験にどのように影響するかを調べるため,132名の学生を対象に,入門プログラミングコースでランダム化制御試験を行った。
学生はコード記述とデバッギングに関連する3つのタスクを完了し、教育指導スタイル(ソクラティック対直接指導)とコンテキスト認識(問題と生徒ソリューションのコンテキスト全体)の2つの次元で異なる4つのAI TAのうちの1つにランダムに割り当てられた。
学生の意識,相互作用行動,およびタスク後の理解の証拠について検討した。
学生はSocratic AI TAを完全なコンテキストで評価し、タスク完了に対する認識が著しく低いことを報告した。
説明的に、この状態は、統計学的に有意な差はなかったものの、最も観察された相互作用ストレス、外的LCM使用率、および全理解を示すタスク後説明の最低割合も示していた。
これらの結果は、ガードレール付きAI TAが学習に自動的に適していないことを示唆している。
その代わりに、それらの効果は、教育指導と文脈認識が、学生が有用で、支援的であり、使い続ける価値のある方法でどのようにバランスをとるかに依存する。
関連論文リスト
- AI literacy over tool design: a mixed-methods study of scaffolded versus unrestricted generative AI in programming education [0.0]
本稿では,マスターレベルのデータ分析コースにおける7週間の混合メソドス試験について報告する。
33人の学生が、ノートベースの実験室のセッションに埋め込まれた足場付きAI研究コーチにランダムに割り当てられた。
ツールの設計は、学生が自身の利用を管理する能力よりも重要で、これは現在、偶然に獲得されている能力である。
論文 参考訳（メタデータ） (2026-09-15T07:53:58Z) - From Prompting to Epistemic Proactivity: Temporal Trajectories of Student-AI Interaction in Mathematics Learning [2.024558551027881]
GenAIは、学生が学習コンパニオンとして使うことが多い。
本研究では,9年生の数学教育における汎用LLMとの対話について検討した。
論文 参考訳（メタデータ） (2026-06-26T14:54:37Z) - AI-Assisted Help-Seeking Trajectories in Programming Education from an SRL-Informed Perspective [11.163797770670683]
本研究は,大学レベルのプログラミングにおけるAI支援型ヘルプサーキングの軌跡を解析した。
その結果、多くの学生が、計画的で自己規制された問題解決よりも、主にAIをリアクティブなトラブルシューティングに用いていることが示唆された。
論文 参考訳（メタデータ） (2026-06-22T03:37:58Z) - Interpretable Difficulty-Aware Knowledge Tracing in Tutor-Student Dialogues [46.915280360954576]
大規模言語モデル(LLM)上に構築された難易度を考慮した対話型KTフレームワークを提案する。
このフレームワークは、学生の知識状態と今後のターンの難しさを推定するために、原文質問と次のチューター提案タスクを組み込んだものである。
学習者/学生の対話データセットを2つ評価する。
論文 参考訳（メタデータ） (2026-05-01T21:07:24Z) - Trust and Reliance on AI in Education: AI Literacy and Need for Cognition as Moderators [2.0391237204597363]
プログラミング課題において,学生の信頼度が,AIアシスタントへの適切な依存度にどのように関係しているかを検討する。
学生の回答が適切なAIアシスタントの提案の活用を反映する程度に行動依存を運用する。
論文 参考訳（メタデータ） (2026-04-01T16:38:47Z) - UCO: A Multi-Turn Interactive Reinforcement Learning Method for Adaptive Teaching with Large Language Models [59.693733170193944]
大規模言語モデル(LLM)は、教育環境において、回答提供者からインテリジェントな家庭教師へとシフトしている。
最近の強化学習アプローチはこの制限に対処するが、2つの重要な課題に直面している。
これらの課題に対処するために一方向認知最適化法(UCO)を提案する。
論文 参考訳（メタデータ） (2025-11-12T01:27:02Z) - Exploring Student Behaviors and Motivations using AI TAs with Optional Guardrails [2.097564039749475]
ガードレール(Guardrails)は、直接的なソリューションではなく、足場によるサポートを提供する機能である。
See Solution"機能はガードレールを無効にし、基盤となるモデルから冗長な応答を生成します。
その結果、885人の学生の50%が少なくとも1つの問題に「See Solution」機能を使用し、14%が3つの問題に利用していることがわかった。
論文 参考訳（メタデータ） (2025-04-15T12:48:22Z) - Explainable Few-shot Knowledge Tracing [48.877979333221326]
本稿では,学生の記録から学生の知識をトラッキングし,自然言語による説明を提供する認知誘導フレームワークを提案する。
3つの広く使われているデータセットによる実験結果から、LLMは競合する深層知識追跡手法に匹敵する、あるいは優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2024-05-23T10:07:21Z) - YODA: Teacher-Student Progressive Learning for Language Models [82.0172215948963]
本稿では,教師が指導するプログレッシブ・ラーニング・フレームワークであるYodaを紹介する。
モデルファインチューニングの有効性を向上させるために,教師の教育過程をエミュレートする。
実験の結果, YODAのデータによるLLaMA2のトレーニングにより, SFTは大幅に向上した。
論文 参考訳（メタデータ） (2024-01-28T14:32:15Z) - ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
本稿では,フィードバックを数発の分類として提供するという課題について考察する。
メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。
本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
論文 参考訳（メタデータ） (2021-07-23T22:41:28Z)
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。