論文の概要: Verified, not generated: expert-verified AI study materials and the distribution of learning gains in a university course

• arxiv url: http://arxiv.org/abs/2610.07097v1
• Date: Mon, 05 Oct 2026 13:53:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.559305
• Title: Verified, not generated: expert-verified AI study materials and the distribution of learning gains in a university course
• Title（参考訳）: 検証された、生成されていない: 専門的検証されたAI学習教材と大学コースにおける学習成果の分布
• Abstract要約: 教育における生成AIの実験的研究は、平均的な効果を報告しているが、現場の証拠は、AIが達成のギャップを狭めたり、広げたりできることを示している。 我々は、その方向は判断の負担に依存し、学習者が学習前にAI出力を検査するために供給する専門知識は、リリース前の専門家による検証は、この負担を学生から説明可能な家庭教師に移す、と論じる。
• 参考スコア（独自算出の注目度）: 1.4814660669328645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Experimental studies of generative AI in education mostly report average effects, yet field evidence shows that AI can narrow attainment gaps or widen them. We argue that the direction depends on the judgement burden, the expertise a learner must supply to screen AI output before learning from it, and that expert verification before release moves this burden from students to an accountable tutor. We test the argument in a two-cohort difference-in-differences design in which one half of a compulsory firstyear university economics course received AI-generated podcasts, FAQs and quiz-based study guides, produced with a source-grounded model and checked by a named graduate teaching assistant (170 students; 340 examination marks). Access was associated with a 2.34-mark advantage on a 50-mark component. The share of marks below the upper-second classification boundary fell by 24.7 percentage points relative to the counterfactual, effects were significant at every threshold from 23 to 31 marks and at none above, and roughly three-quarters of the average originated in the bottom quintile. The threshold estimate is robust to removing the lowest-scoring students from the pre-intervention cohort; the average effect is not. Interviews and feedback from 36 students indicate that the verification label gave students a reason to engage with AI-generated material without ending their scrutiny of it. Evaluations of AI learning resources that report only mean effects cannot detect whether the students the resources are meant to help are the ones who gain.
• Abstract（参考訳）: 教育における生成AIの実験的研究は、平均的な効果を報告しているが、現場の証拠は、AIが達成のギャップを狭めたり、広げたりできることを示している。 我々は、その方向は判断の負担に依存し、学習者はそこから学ぶ前にAI出力をスクリーニングしなければならない、そしてリリース前の専門家による検証は、この負担を学生から説明責任のある教師に移す、と主張している。 そこで我々は,1年制大学経済学コースの半数がAIによるポッドキャスト,FAQ,クイズに基づく学習ガイドを受講した2コホート差分設計を用いて,その議論を検証した。 アクセスは50マークコンポーネントの2.34マークのアドバンテージに関連付けられている。 上位2次分類境界以下のマークのシェアは、カウンターファクトに比して24.7%減少し、23点から31点までのすべての閾値で効果が有意であり、それ以外は、平均の約4分の3は、ボトム・クインタイルに起因している。 しきい値の推定は、最下位の学生を事前介入コホートから排除するのに堅牢であり、平均効果はそうではない。 36人の学生からのインタビューやフィードバックは、検証ラベルが生徒に、その調査を終わらせることなく、AI生成物質と関わり合う理由を与えたことを示している。 効果のみを報告するAI学習リソースの評価は、そのリソースが学生の助けになるかどうかを検出できない。

関連論文リスト

• Your Programming Students' Cognition with ChatGPT: Higher Performance, Lower Retention, and Reduced Ownership [47.1499482596193]
  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。
  論文  参考訳（メタデータ） (2026-09-18T01:20:34Z)
• Generative AI Availability, Grades, and Student Satisfaction at a Large University [6.872059640265074]
  高等教育におけるジェネレーティブAI(GenAI)の普及は、生徒が認知的努力をAIにオフロードし、学習せずにハイグレードを得られるという懸念を引き起こしている。 もしこの「玄AI置換仮説」が真なら、玄AIに準じるコースでは成績が不釣り合いに上昇すべきである。 従来より成績の低かった学生の成績に,GenAI利用率に有意な差は認められなかった。
  論文  参考訳（メタデータ） (2026-07-23T17:19:55Z)
• Four Types of LLM Reliance and Their Predictors Among Undergraduate Writers: A Mixed-Methods Study at a Minority-Serving R1 University [0.0]
  既存の機器は使用頻度にのみ依存度を評価する。 学生の価値とコストの信念は、彼らの大きな言語モデルへの依存の強さを予測した。 戦略的なユーザー、最も意図的にAIに関わったユーザーは、標準結果の基準で最低のスコアを得た。
  論文  参考訳（メタデータ） (2026-06-27T05:56:03Z)
• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build [0.6524460254566904]
  自己報告による調査はほとんど変化を示さないが、小規模の行動研究では、学習結果を測定するための尺度や期間のないAIの利用が広く報告されている。 私たちは、タイム・オン・タスク分析のために、ALEKSの学習インタラクションを320万ドルで10年のパネルで行います。 これらの結果は、生成的AIが学生の学習方法と彼らが構築した知識を変化させた最初の大規模行動と結果の証拠である。
  論文  参考訳（メタデータ） (2026-05-20T18:40:53Z)
• On the limits and opportunities of AI reviewers: Reviewing the reviews of Nature-family papers with 45 expert scientists [113.03797263688519]
  多くの科学者は、AIレビュアーを研究を評価する専門知識のない確率的システムと見なしている。 既存のAIレビュアーの評価では、評決が人間の評決に合致するかどうかに焦点が当てられている。
  論文  参考訳（メタデータ） (2026-05-20T03:33:55Z)
• Mitigating Subgroup Disparities in Multi-Label Speech Emotion Recognition: A Pseudo-Labeling and Unsupervised Learning Approach [53.824673312331626]
  Implicit Demography Inference (IDI)モジュールは、k平均クラスタリングを用いて、音声感情認識(SER)におけるバイアスを軽減する 実験により、擬似ラベルIDIはサブグループの格差を減らし、フェアネスの指標を28%以上改善することが示された。 教師なしのIDIは、SERのパフォーマンスが3.6%未満のフェアネス指標を4.6%以上改善する。
  論文  参考訳（メタデータ） (2025-05-20T14:50:44Z)
• 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)

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。