論文の概要: What the submission does not show: Complexifying cognitive offloading in students' mathematical work with LLMs

• arxiv url: http://arxiv.org/abs/2610.31335v1
• Date: Thu, 22 Oct 2026 14:22:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.405904
• Title: What the submission does not show: Complexifying cognitive offloading in students' mathematical work with LLMs
• Title（参考訳）: LLMを用いた数学的研究における認知的オフロードの複雑化
• Abstract要約: 一般的な懸念は、大きな言語モデル(LLM)を使用することで、学生はタスクが引き起こすように設計された数学的作業をオフロードできるということである。 LLMを用いて3つの異なる設計の宿題を解き、23人の1年生の線形代数学生に追従した。 3つの課題を完了した15人の生徒のうち10人が支配的な構造を変えた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A common concern is that using large language models (LLMs) lets students offload mathematical work that tasks are designed to elicit. Yet such claims often rest on outcomes (e.g., submitted solutions), rather than on evidence of students' work with LLMs. We followed 23 first-year linear algebra students as they solved three differently designed homework tasks with LLMs. Drawing on self-regulated learning and choice-affluent environments, we interpreted each of 429 prompts as a trace of a regulatory event and compared 59 chatlogs with the problem solutions the students submitted. Prompts formed five structures, casting the LLM mainly as a solver, explainer, or validator. The mix of structures shifted across the tasks, and ten of the 15 students who completed all three tasks changed their dominant structure. Most final submissions stayed close to LLM output, including those that followed exchanges in which students had explained, conjectured, and checked their own ideas. We conclude that an LLM-aided submission is not a trustworthy marker of students' offloading of the mathematical work, and that offloading needs to be examined in each regulatory space and part by part rather than as a whole.
• Abstract（参考訳）: 一般的な懸念は、大きな言語モデル(LLM)を使用することで、学生はタスクが引き起こすように設計された数学的作業をオフロードできるということである。 しかし、このような主張は、学生がLSMで働いたという証拠ではなく、結果(例えば、提案された解決策)に依存していることが多い。 LLMを用いて3つの異なる設計の宿題を解き、23人の1年生の線形代数学生に追従した。 自己統制学習と選択に恵まれた環境に基づいて,各429件のプロンプトを規制イベントの痕跡として解釈し,59件のチャットログを学生が提出した問題解と比較した。 プロンプトは5つの構造を形成し、LLMを主にソルバ、説明器、バリデータとしてキャストした。 3つのタスクを完了した15人の生徒のうち10人が支配的な構造を変えた。 ほとんどの最終提出書はLSMの成果に近づき、学生が説明し、推測し、自分たちのアイデアをチェックした交換書に続いた。 本稿は, LLM支援の提出は, 学生の数学的作業のオフロードの信頼できる指標ではなく, 各規制空間および部分において, 全体ではなく部分的に, オフロードの検証が必要であると結論づける。

関連論文リスト

• Less Deliberate in Teams: Student LLM Use Across Individual and Collaborative Work [0.0]
  本報告では,6つの課題を修了した96人の大学生を対象とした学年次調査の結果を報告する。 LLMの使用率は、学生が個別の作業から最初のマイルストーンに移行したときに42.7%減少した。 学生はまた、より少ない、より単純なプロンプトを書き、意図的なプロンプト戦略を減らし、LSMのアウトプットを慎重にチェックした。
  論文  参考訳（メタデータ） (2026-06-29T19:45:35Z)
• Understanding the Dark Side of LLMs' Intrinsic Self-Correction [58.12627172032851]
  LLMの応答を改善するために,本質的な自己補正法が提案された。 近年の研究では、LLMの内在的な自己補正は、フィードバックのプロンプトとして、オラクルラベルなしで失敗することが示されている。 内在的な自己補正は、中途半端な回答と最終回答の両方を LLM が揺らぎ、単純な事実的質問に対する素早い偏見をもたらす可能性がある。
  論文  参考訳（メタデータ） (2024-12-19T15:39:31Z)
• Substance Beats Style: Why Beginning Students Fail to Code with LLMs [3.4817709155395327]
  既存の作業は、初心者がLLMにテキストからコードへのタスクの解決を促すのに苦労していることを示している。 本稿では,学生のLLM誤信の原因について,競合する2つの仮説を考察する。
  論文  参考訳（メタデータ） (2024-10-15T20:36:30Z)
• Not All LLM Reasoners Are Created Equal [58.236453890457476]
  小学校数学におけるLLMの解答能力の深さについて検討する。 既存の数式語問題に対して,それらの性能を併用して評価する。
  論文  参考訳（メタデータ） (2024-10-02T17:01:10Z)
• GSM-Plus: A Comprehensive Benchmark for Evaluating the Robustness of LLMs as Mathematical Problem Solvers [68.77382332826167]
  大規模言語モデル (LLM) は、様々な数学的推論ベンチマークで顕著な性能を達成している。 1つの必須かつ頻繁な証拠は、数学の質問がわずかに変更されたとき、LLMは誤って振る舞うことができることである。 このことは, LLMの数学推論能力の頑健性を評価するために, 幅広い質問のバリエーションを試すことによるものである。
  論文  参考訳（メタデータ） (2024-02-29T15:26:14Z)
• Do Language Models Exhibit the Same Cognitive Biases in Problem Solving as Human Learners? [140.9751389452011]
  本研究では,大言語モデル(LLM)の偏りを,算術語問題を解く際に,子どもに知られているものと関連づけて検討する。 我々は,これらの各テストに対して,問題特徴のきめ細かい制御を可能にするニューロシンボリックアプローチを用いて,新しい単語問題を生成する。
  論文  参考訳（メタデータ） (2024-01-31T18:48:20Z)
• Three Questions Concerning the Use of Large Language Models to Facilitate Mathematics Learning [4.376598435975689]
  本稿では,学生の数学的問題解決能力を高めるために,大規模言語モデルを採用する際の課題について論じる。 LLMは間違った推論プロセスを生成することができ、また、学生の回答を正そうとするときに与えられた質問の理性を理解するのに困難を示す。
  論文  参考訳（メタデータ） (2023-10-20T16:05:35Z)
• Faith and Fate: Limits of Transformers on Compositionality [109.79516190693415]
  3つの代表的構成課題にまたがる変圧器大言語モデルの限界について検討する。 これらのタスクは、問題をサブステップに分割し、これらのステップを正確な答えに合成する必要があります。 実験結果から,多段階合成推論を線形化部分グラフマッチングに還元することにより,トランスフォーマーLLMが構成課題を解くことが示唆された。
  論文  参考訳（メタデータ） (2023-05-29T23:24:14Z)

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。