論文の概要: Understanding Student Use of Large Language Models Across Computer Science Subfields

• arxiv url: http://arxiv.org/abs/2610.01158v1
• Date: Thu, 01 Oct 2026 06:38:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.935336
• Title: Understanding Student Use of Large Language Models Across Computer Science Subfields
• Title（参考訳）: コンピュータ科学サブフィールドにおける大規模言語モデルの学生利用の理解
• Abstract要約: 本稿では,学部生が大規模言語モデル(LLM)をコンピュータ科学のサブフィールドでどのように利用するかを検討する。 課題は、学生がLLM出力とどのように相互作用し評価するかを形作る上で、課題特性が中心的な役割を担っていることを示唆している。
• 参考スコア（独自算出の注目度）: 11.985616997836763
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This research full paper examines how undergraduate students use large language models (LLMs) across computer science subfields. As LLMs become increasingly integrated into computing education, understanding how their use varies across technical and pedagogical contexts is essential for designing effective, subfield-aware instruction. This paper presents a cross-subfield analysis of LLM usage among 211 undergraduate students in a problem-solving course intentionally designed to support responsible and effective LLM use through structured instruction and reflection. Using post-assignment reflection data collected across seven instructional modules spanning multiple computer science subfields, we examine prompt counts, LLM role conceptualization, and verification behavior. Results show that LLM adoption varies substantially by assignment, with higher usage in algorithms and web development and lower usage in software engineering. Students predominantly treat LLMs as assistive tools rather than authoritative sources, and verification is common across all subfields, with most students using multiple strategies. Verification behavior also varies by assignment context, with testing more common in structured tasks and web search more common in open-ended tasks. These findings suggest that assignment characteristics play a central role in shaping how students interact with and evaluate LLM outputs, even under a single, consistently applied instructional design. This work contributes empirical evidence on how LLM adoption, role conceptualization, and verification behavior vary across computer science subfields, extending our prior work on structured, reflective LLM instruction to show how its effects differ by task rather than only in aggregate.
• Abstract（参考訳）: 本研究は,学部生が大規模言語モデル(LLM)をコンピュータ科学のサブフィールドでどのように利用するかを検討する。 LLMがますますコンピューティング教育に統合されるにつれて、その利用方法が技術や教育の文脈によって異なることを理解することは、効果的なサブフィールド対応の教育設計に不可欠である。 本稿では,211人の大学生を対象に,構造化された指導と反映を通して,責任と効果的なLLM使用を支援するために意図的に設計された課題解決コースにおけるLLM使用状況のクロスサブフィールド分析を行った。 複数のコンピュータ科学サブフィールドにまたがる7つの命令モジュールにまたがるアサインメント後リフレクションデータを用いて,プロンプト数,LLMの役割概念化,検証行動を検討した。 その結果、LLMの採用は割り当てによって大きく異なり、アルゴリズムやWeb開発では高い利用率、ソフトウェア工学では低い利用率であることがわかった。 学生はLLMを権威的な情報源ではなく補助ツールとして扱うことが多く、検証はすべてのサブフィールドで一般的であり、ほとんどの学生は複数の戦略を使用している。 検証動作は割り当てコンテキストによっても異なり、構造化されたタスクではテストが一般的になり、オープンなタスクではWeb検索が一般的になる。 これらの結果は,一貫した一貫した指導設計の下でも,学生がLLM出力とどのように相互作用し,評価するかを形作る上で,代入特性が中心的な役割を担っていることを示唆している。 この研究は、LLMの導入、役割概念化、検証行動がコンピュータ科学のサブフィールドでどのように異なるかを示す実証的な証拠となり、構造化された反射型LLM命令において、その効果が集約だけでなくタスクによってどのように異なるかを示す。

関連論文リスト

• Layer by Layer: Uncovering Where Multi-Task Learning Happens in Instruction-Tuned Large Language Models [22.676688441884465]
  タスクの多種多様な配列で訓練済みの大規模言語モデル(LLM)を微調整することが、モデル構築の一般的なアプローチとなっている。 本研究では,事前学習したLLMに符号化されたタスク固有情報と,その表現に対する指導指導の効果について検討する。
  論文  参考訳（メタデータ） (2024-10-25T23:38:28Z)
• Analyzing LLM Usage in an Advanced Computing Class in India [4.580708389528142]
  本研究では,大規模言語モデル(LLM)を,大学院生や大学院生が高度なコンピューティングクラスにおけるプログラミング課題に活用することを検討した。 インド大学の分散システムクラスから411名の学生を対象に,総合的な分析を行った。
  論文  参考訳（メタデータ） (2024-04-06T12:06:56Z)
• "Which LLM should I use?": Evaluating LLMs for tasks performed by Undergraduate Computer Science Students [2.6043678412433713]
  本研究では,大学生に共通する作業における大規模言語モデル(LLM)の有効性を評価する。 私たちの研究は、Google Bard、ChatGPT(3.5)、GitHub Copilot Chat、Microsoft Copilot Chatなど、公開されているLLMのいくつかを体系的に評価しています。
  論文  参考訳（メタデータ） (2024-01-22T15:11:36Z)
• INTERS: Unlocking the Power of Large Language Models in Search with Instruction Tuning [59.07490387145391]
  大規模言語モデル(LLM)は、様々な自然言語処理タスクにおいて印象的な機能を示している。 情報検索(IR)タスクへのそれらの適用は、自然言語における多くのIR固有の概念の頻繁な発生のため、いまだに困難である。 我々は,3つの基本IRカテゴリにまたがる20のタスクを含む新しいインストラクションチューニングデータセット InterS を導入する。
  論文  参考訳（メタデータ） (2024-01-12T12:10:28Z)
• Instruction Tuning for Large Language Models: A Survey [52.86322823501338]
  我々は、教師付き微調整(SFT)の一般的な方法論を含む、文献の体系的なレビューを行う。 また、既存の戦略の欠陥を指摘しながら、SFTの潜在的な落とし穴についても、それに対する批判とともに検討する。
  論文  参考訳（メタデータ） (2023-08-21T15:35:16Z)
• Multi-Task Instruction Tuning of LLaMa for Specific Scenarios: A Preliminary Study on Writing Assistance [60.40541387785977]
  小さな基礎モデルは、命令駆動データを用いて微調整された場合、多様なタスクに対処する際、顕著な習熟度を示すことができる。 本研究は, 汎用的な指導よりも, 1つないし数つの特定のタスクに主眼を置いている, 実践的な問題設定について検討する。 実験結果から,命令データに対する微調整LLaMAは,タスクの記述能力を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2023-05-22T16:56:44Z)

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。