論文の概要: DraftTrace: A Multi-View Analytics Environment for AI-Integrated Writing
- arxiv url: http://arxiv.org/abs/2609.36544v1
- Date: Tue, 29 Sep 2026 02:31:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.119987
- Title: DraftTrace: A Multi-View Analytics Environment for AI-Integrated Writing
- Title（参考訳）: DraftTrace:AI統合記述のためのマルチビュー分析環境
- Abstract要約: DraftTraceは、最終製品、執筆プロセス、統合AIアシストとのインタラクションという、3つの補完的な記述の見解を捉えている。
DraftTraceは、文書が時間とともにどのように発達するかを再構築し、これらの信号をインストラクターの提出、縦、およびクラスレベルの分析に整理する。
- 参考スコア（独自算出の注目度）: 7.244558719091782
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Generative AI has changed how students produce writing assignments. The final artifact is no longer sufficient to understand the process through which it was produced. We introduce DraftTrace, a writing environment that jointly captures three complementary views of writing: the final product, the writing process and interactions with an integrated AI-assistant. DraftTrace reconstructs how a document develops over time and organizes these signals into submission, longitudinal, and class-level analytics for instructors. We deployed DraftTrace in a graduate NLP course with 81 students and compared their sessions with LLM-generated responses entered by automated tools and with copy-typed responses. While product measures distinguish differences in text formulation, process measures distinguish differences in how text is entered. Considering both views together helps characterize cases such as copy-typing. Interaction traces show that students use the assistant differently across stages of writing: to clarify the question at an early stage and to verify answers at a later stage. A preliminary instructor survey highlights the importance of multi-view writing analytics and their interpretability.
- Abstract（参考訳）: 生成AIは、学生が書き方を変える。
最後の成果物は、それが生み出されたプロセスを理解するのに十分ではない。
我々はDraftTraceを紹介します。DraftTraceは、最終製品、執筆プロセス、統合AIアシスタントとのインタラクションの3つの補完的なビューを共同でキャプチャする書き込み環境です。
DraftTraceは、文書が時間とともにどのように発達するかを再構築し、これらの信号をインストラクターの提出、縦、およびクラスレベルの分析に整理する。
学生81名の大学院NLPコースにDraftTraceを配置し, 自動ツールで入力したLPM生成応答とコピー型応答とを比較した。
製品測度はテキストの定式化の違いを区別するが、プロセス測度はテキストの入力方法の違いを区別する。
両方のビューを一緒に考えることは、コピータイピングのようなケースを特徴づけるのに役立つ。
インタラクショントレースは、学生が文章の初期段階で質問を明確にし、後段で回答を検証するために、文章の段階で異なる方法でアシスタントを使用することを示す。
予備的なインストラクターサーベイでは、多視点筆記分析の重要性と解釈可能性を強調している。
関連論文リスト
- Stylometry Analysis of Human and Machine Text for Academic Integrity [0.6558127228160233]
この研究は、盗作、創作、教育コンテンツの著者の検証など、学術的完全性への挑戦に対処する。
著者の帰属とスタイル変化の検出を通じて,学生のコンテンツを認証するための自然言語処理(NLP)ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-03T16:13:38Z) - AI in the Writing Process: How Purposeful AI Support Fosters Student Writing [0.3641292357963815]
ChatGPTのようなテクノロジーの多様さは、学生の執筆に対する影響を懸念している。
本稿では,異なるAI支援アプローチが著者のエージェンシー感覚と知識変換の深さにどのように影響するかを検討する。
論文 参考訳（メタデータ） (2025-06-25T16:34:09Z) - Exploring EFL Secondary Students' AI-generated Text Editing While Composition Writing [2.8109476541924234]
生成人工知能(Generative Artificial Intelligence)は、外国語の学生としての英語の書き方を変えつつある。
本研究では,説明書作成タスクを完了すると,学生がAI生成テキストをどのように統合し,修正するかを検討する。
論文 参考訳（メタデータ） (2025-05-13T03:46:00Z) - Human-AI Collaboration or Academic Misconduct? Measuring AI Use in Student Writing Through Stylometric Evidence [0.0]
本研究は,学術著作におけるAI支援の定量化のためのオーサシップ検証(AV)技術の利用について検討する。
公開データセット(PAN-14)を含む3つのデータセットと、さまざまなコースのメルボルン大学の学生の2つを使用します。
学生向けの堅牢な書記プロファイルを構築するために,特徴ベクトル差分AV手法を開発した。
論文 参考訳（メタデータ） (2025-05-13T00:36:36Z) - Contextualize-then-Aggregate: Circuits for In-Context Learning in Gemma-2 2B [51.74607395697567]
In-Context Learning (ICL)は、大規模言語モデル(LLM)の興味深い能力である。
我々は5つの自然主義ICLタスクに対してGemma-2 2Bにおける情報フローを因果介入を用いて同定する。
このモデルでは,2段階戦略を用いてタスク情報を推論し,コンテキスト化-then-aggregateと呼ぶ。
論文 参考訳（メタデータ） (2025-03-31T18:33:55Z) - BookWorm: A Dataset for Character Description and Analysis [59.186325346763184]
本稿では,短い事実プロファイルを生成する文字記述と,詳細な解釈を提供する文字解析という2つのタスクを定義する。
本稿では,Gutenbergプロジェクトからの書籍と,人間による記述と分析のペアリングを行うBookWormデータセットを紹介する。
その結果,検索に基づくアプローチは両タスクにおいて階層的アプローチよりも優れていた。
論文 参考訳（メタデータ） (2024-10-14T10:55:58Z) - MetricPrompt: Prompting Model as a Relevance Metric for Few-shot Text
Classification [65.51149771074944]
MetricPromptは、数発のテキスト分類タスクをテキストペア関連性推定タスクに書き換えることで、言語設計の難易度を緩和する。
広範に使われている3つのテキスト分類データセットを4つのショット・セッティングで実験する。
結果から,MetricPromptは,手動弁証法や自動弁証法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2023-06-15T06:51:35Z) - TextFormer: A Query-based End-to-End Text Spotter with Mixed Supervision [61.186488081379]
Transformerアーキテクチャを用いた問合せベースのエンドツーエンドテキストスポッターであるTextFormerを提案する。
TextFormerは、画像エンコーダとテキストデコーダの上に構築され、マルチタスクモデリングのための共同セマンティック理解を学ぶ。
分類、セグメンテーション、認識のブランチの相互訓練と最適化を可能にし、より深い特徴共有をもたらす。
論文 参考訳（メタデータ） (2023-06-06T03:37:41Z) - Beyond Text Generation: Supporting Writers with Continuous Automatic
Text Summaries [27.853155569154705]
本稿では,ユーザによる記述プロセスの計画,構造化,反映を支援するテキストエディタを提案する。
自動テキスト要約を用いて、連続的に更新された段落の要約をマージンアノテーションとして提供する。
論文 参考訳（メタデータ） (2022-08-19T13:09:56Z)
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。