HowkGPT: Investigating the Detection of ChatGPT-generated University Student Homework through Context-Aware Perplexity Analysis
New York University Abu Dhabi(纽约大学阿布扎比分校)
本文提出 HowkGPT,利用预训练 LLM 计算困惑度分数,并结合元数据定义类别特定阈值,以检测 ChatGPT 生成的大学生作业,旨在维护学术诚信与评分公平。
2025-03-11 cs.AI cs.CL
Fooling MOSS Detection with Pretrained Language Models
Booz Allen Hamilton(博思艾伦咨询公司);EleutherAI(EleutherAI 人工智能研究组织)
随着人工智能(AI)技术在社会中变得越来越强大和突出,它们的滥用越来越令人担忧。在教育环境中,人工智能技术可以被学生用来在作业和考试中作弊。在本文中,我们将探讨Transformers是否可以用于解决入门级编程任务,同时绕过常用的AI工具来检测软件之间的相似性。我们发现,使用GPT-J的学生[Wang and Komatsuzaki,2021]可以完成入门级的编程作业,而不会引起MOSS [Aiken,2000]的怀疑,MOSS是一种广泛使用的软件相似性和剽窃检测工具。尽管GPT-J没有接受过有关问题的培训,也没有提供任何可供借鉴的例子,但情况仍然如此。我们进一步发现,GPT-J编写的代码在结构上是多样的,缺乏任何特定的告诉,未来的剽窃检测技术可能会用来尝试识别算法生成的代码。最后,我们讨论的伦理和教育的影响,大语言模型和未来的研究方向。
2022-09-07 cs.AI cs.CL
A Longitudinal Analysis of Public Discourse on AI Ethics in Education Using Twitter Data
George Mason University(乔治梅森大学);University of Virginia(弗吉尼亚大学)
研究利用推特数据分析2019 - 2024年教育领域人工智能伦理的公众话语,通过BERT主题建模和SetFit情感分析,发现话语总体积极,负面集中特定争议,近期学术诚信等焦虑主导,为相关方提供公众期望理解以制定AI融入方法。
2026-07-15 cs.AI cs.CY
Taklif.AI: LLM-Powered Platform for Interest-Based Personalized College Assignments
Faculty of Information Technology(信息科技学院)
Taklif.AI利用大语言模型生成个性化作业,结合学生兴趣和文化背景,提升学生参与度,减少抄袭风险。
2026-05-07 cs.AI
SCALEFeedback: A Large-Scale Dataset of Synthetic Computer Science Assignments for LLM-generated Educational Feedback Research
Monash University(莫纳什大学);Tsinghua University(清华大学)
提出SCALEFeedback数据集,包含10,000份合成学生作业,覆盖59门大学计算机科学课程,用于开发基于LLM的可泛化自动教育反馈方法。
2026-10-27 cs.CY
Repairing Bugs in Python Assignments Using Large Language Models
Yale University(耶鲁大学);Microsoft(微软)
作为学习过程的一部分,学生经常在介绍性编程作业中犯错误。不幸的是,为这些错误提供自定义修复可能需要大量的时间和精力,从课堂教师。自动程序修复(APR)技术可用于合成这样的修复。先前的工作已经探索了在教育领域中使用符号和神经技术进行APR。这两种方法都需要大量的工程努力或大量的数据和培训。我们建议使用一个经过代码训练的大语言模型,比如Codex,来构建一个APR系统--MMAPR--用于介绍Python编程作业。我们的系统可以修复语法和语义错误相结合的多模态提示,迭代查询,基于测试用例的选择少数镜头,和程序分块。我们在286个真实的学生程序上评估了MMAPR,并将其与通过结合最先进的Python语法修复引擎BIFI和最先进的Python语义修复引擎Refactory构建的基线进行了比较。我们发现,MMAPR可以修复更多的程序,并产生更小的补丁平均。
2022-09-29 cs.AI cs.SE
The StudyChat Dataset: Analyzing Student Dialogues With ChatGPT in an Artificial Intelligence Course
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
StudyChat数据集分析了学生在人工智能课程中使用ChatGPT的对话行为,揭示了学生使用LLM进行概念理解与编码帮助与学业表现之间的正相关关系,以及规避学习目标的行为与学业成绩的负相关关系。
2026-03-04 cs.AI cs.HC
Quantifying the Effectiveness of Student Organization Activities using Natural Language Processing
Polytechnic University of the Philippines-Graduate School(菲律宾理工大学研究生院)
本研究提出一种基于BERT大语言模型情感分析的机器学习工作流程,通过数据预处理、特征选择、LLM处理和分数聚合来量化学生组织活动有效性,为教育机构数据驱动决策提供实践范例。
2024-08-16 cs.AI cs.CL cs.ET
Embracing AI in Education: Understanding the Surge in Large Language Model Use by Secondary Students
The Harker School(哈克学校);Carnegie Mellon University(卡内基梅隆大学);University of California, Santa Barbara(加利福尼亚大学圣巴巴拉分校)
本文通过对300多名中学生的调查,发现70%的学生使用过LLMs(高于年轻人比例且各年级一致),用于多学科作业但因幻觉和推理问题对其有效性看法不一,呼吁开发更适配学生的LLMs并提出特定学科模型等解决思路。
2024-11-27 cs.AI cs.HC
Peer-aided Repairer: Empowering Large Language Models to Repair Advanced Student Assignments
Beihang University(北京航空航天大学);Peking University(北京大学)
本文针对高级编程作业修复难题,提出基于大语言模型的PaR框架,通过同伴方案选择、多源提示生成与程序修复三阶段,在Defects4DS和ITSP数据集上实现修复率新突破。
2024-04-02 cs.AI cs.SE
The Narrative Construction of Generative AI Efficacy by the Media: A Case Study of the Role of ChatGPT in Higher Education
本研究基于议程设置理论,通过LDA主题建模和情感分析探讨了美国新闻媒体对ChatGPT在高等教育中效能的叙事建构,揭示了媒体对教育融合的积极情感与对就业及招生的消极情感,为多方利益相关者提供见解。
2025-07-12 cs.CY
A Hybrid Classification Algorithm to Classify Engineering Students' Problems and Perks
社交网站为表达个人观点和意见带来了新的视野。此外,他们还提供媒介,让学生分享他们的情感,包括学习过程中的斗争和喜悦。这种非正式的信息为决策提供了一个很好的场所。信息的规模越来越大,需要自动分类技术。情感分析是对大量数据进行分类的自动化技术之一。现有的预测性情感分析技术被广泛用于对电子商务网站上的评论进行分类,以提供商业智能。然而,它们对教育系统的决策没有多大用处,因为它们将情绪分为三个预设类别:积极的,消极的和中性的。此外,将学生的情绪分为积极或消极的类别并不能更深入地了解他们的问题和津贴。本文提出了一种新的混合分类算法来对工科学生的情感进行分类。与传统的预测性情感分析技术不同,该算法使情感分析过程具有描述性。此外,它将工程专业学生的津贴和问题分为几类,以帮助未来的学生和教育系统的决策。
2016-04-08 cs.CY
Polarity in the Classroom: A Case Study Leveraging Peer Sentiment Toward Scalable Assessment
在大型或大规模开放式在线课程(MOOC)中对开放式作业进行准确评分并非易事。同行评审是一种很有前途的解决方案,但由于评审员很少和未评估的评审形式,因此可能不可靠。到目前为止,还没有工作1)在同行评审过程中利用情感分析来通知或验证成绩,或者2)利用方面提取来从学生实际交流的内容中制作评审表格。我们的工作利用,而不是丢弃,学生的数据从审查形式的意见,提供更好的信息,教师。在这项工作中,我们详细的过程中,我们创建我们的领域相关的词汇和方面知情的审查形式,以及我们的整个情感分析算法,它提供了一个细粒度的情感分数从文本单独。最后,我们分析的有效性和讨论的结论,从我们的语料库超过6800同行评议,从9门课程,以了解情感在课堂上的可行性,以增加信息和可靠性的评分开放式作业在大型课程。
2021-08-02 cs.CL cs.CY
Zero Shot Learning for Code Education: Rubric Sampling with Deep Learning Inference
Stanford University(斯坦福大学)
在现代计算机科学教育中,大规模开放式在线课程(MOOC)记录了数千小时的数据,这些数据是关于学生如何解决编码挑战的。这些平台拥有如此丰富的数据,引起了机器学习社区的兴趣,许多新算法试图自主提供反馈,以帮助未来的学生学习。但是,那些最初的十万学生呢?在大多数教育环境(即教室)中,作业没有足够的历史数据用于监督学习。在本文中,我们介绍了一个人在回路“量规采样”的方法来解决“zero shot”的反馈挑战。我们能够为第一批从事入门编程作业的学生提供自主反馈,其准确性大大优于数据饥渴算法,并接近人类水平的保真度。题目抽样需要最少的教师努力,可以将反馈与学生解决方案的特定部分联系起来,并可以用教师的语言表达学生的误解。深度学习推理使题目抽样能够随着获取更多作业特定的学生数据而进一步改进。我们展示了我们的结果在一个新的数据集从Code.org,世界上最大的编程教育平台。
2018-12-17 cs.CY cs.LG stat.ML
Predicting ChatGPT Use in Assignments: Implications for AI-Aware Assessment Design
ITMO University(ITMO大学);Moscow Institute of Physics and Technology(莫斯科物理技术学院)
该研究基于388名大学生的调查数据,利用XGBoost算法预测ChatGPT在作业中的使用,揭示了学习习惯、学科偏好和对AI态度等关键预测因素,并提出学科特定评估策略以平衡AI创新与学术严谨性。
2025-08-16 cs.AI cs.CY
"ChatGPT, a Friend or Foe for Education?" Analyzing the User's Perspectives on the Latest AI Chatbot Via Reddit
Florida State University(佛罗里达州立大学);University of Maryland, Baltimore County(马里兰大学巴尔的摩县分校)
本研究通过分析Reddit上247条相关帖子,运用描述性统计、情感分析和LDA主题建模,发现多数用户对ChatGPT教育用途持中立态度,但正面看法多于负面。
2023-09-27 cs.AI cs.CY
A systematic comparison of Large Language Models for automated assignment assessment in programming education: Exploring the importance of architecture and vendor
Adam Mickiewicz University(亚当·密茨凯维奇大学)
本研究基于6000余份编程课程学生作业,对比18款不同厂商的大语言模型的自动评分表现,发现模型间存在系统性差异,轻量版本表现弱于全量版,且自动评分与人工评分仍有差距,为教育场景模型选型提供参考。
2025-09-30 cs.CY
Unpacking Generative AI in Education: Computational Modeling of Teacher and Student Perspectives in Social Media Discourse
Department of Electrical Engineering and Computer Science, Florida Atlantic University(电气工程与计算机科学系,佛罗里达亚特兰大大学)
本研究利用生成式AI技术分析教育领域中教师和学生在社交媒体上的观点差异,通过模块化框架揭示其在个性化学习和学术诚信方面的不同关注点。
2026-01-06 cs.CL cs.CY cs.SI
Information Technology Utilization in Environmentally Friendly Higher Education
对环境友好的学习过程的认识最近受到关注。信息技术提供了一些应用,能够在高等教育部门提供更好的绿色教育环境。这项研究涉及顶级社交信息技术应用程序,Dropbox和WordPress。Dropbox是世界上最受欢迎的云存储。同时,WordPress是目前顶级的内容管理系统。本研究将这两个应用应用程序应用于学生作业和演示媒体中。这项研究观察了150名计算机科学系的大二学生。结果表明,在高等教育学习活动中使用Dropbox和WordPress能够显著减少纸张和墨水的使用。这两个顶级应用程序的结合为高等教育的学生创造了一个非常方便和舒适的环境。这种策略减少了纸张和油墨的消耗,并被大多数学生接受。
2018-11-27 cs.CY
From Theory to Systems: A Grounded Approach to Programming Language Education
我提出了一种新的方法来教授研究生级别的程序设计语言课程,重点是使用系统编程思想和语言,如WebAssembly和Rust来激励PL理论。利用学生以前使用低级语言的经验,本课程展示了如何使用类型系统和PL理论来避免学生在实践中遇到的棘手的现实世界错误。我反思了在斯坦福大学两年的教学课程设计和经验教训,表明整合系统思想可以为学生提供更接地和愉快的程序设计语言教育。课程表、课程笔记和作业都可以免费获得:http://cs242.stanford.edu/f18/
2019-04-14 cs.CY cs.PL
Chat-GPT: An AI Based Educational Revolution
Department of Education(教育学院);School of Education, Arts and Social Sciences Macquarie University(麦考瑞大学教育、艺术与社会科学学院)
本文探讨ChatGPT对教育的革命性影响,分析其在课程开发、作业评分和个性化反馈等方面的潜力,并考察其对学生学习、问题解决能力和认知能力带来的正反两方面影响。
2025-03-10 cs.AI cs.CY
Who does what? Work division and allocation strategies of computer science student teams
协作技能对未来的软件工程师很重要。在计算机科学教育中,这些技能通常是通过小组作业来练习的,学生们在小组作业中协作开发软件。学生在这些作业中采取的方法差异很大,但通常涉及劳动分工。然后,可以争论是否仍在进行合作。在这种情况下,计算教育的学科特别有趣,因为它的一些特定功能(如入门技能水平的变化和使用源代码库作为协作平台)可能会影响小组工作中采取的方法。本研究旨在了解计算机科学专业学生在小组作业中的分工与分配策略。为此,我们采访了四所大学的二十名学生。主题分析表明,学生倾向于划分工作量,使独立工作,经常采用结对编程和代码审查。主要受年级和效率因素的激励,学生主要根据他们以前的专业知识和偏好选择和分配任务。根据我们的研究结果,我们认为,组作业的设置可以限制学生练习新的软件工程技能的动机,并需要干预措施,以鼓励实验和学习。
2021-03-04 cs.CY
Ensuring Computer Science Learning in the AI Era: Open Generative AI Policies and Assignment-Driven Written Quizzes
Lawrence Technological University(劳伦斯理工大学)
本文提出了一种评估模型,允许在编程作业中使用生成式AI,同时通过基于作业的测验确保学生掌握课程内容,证明了开放AI政策在高级计算机科学课程中的可行性。
2026-01-16 cs.AI cs.CY
BoundarEase: Fostering Constructive Community Engagement to Inform More Equitable Student Assignment Policies
Massachusetts Institute of Technology(麻省理工学院);Northeastern University(东北大学);The New School(新学院)
本文提出并评估了社会技术系统BoundarEase,通过支持社区成员探索和反馈学校边界方案,缓解政策讨论中的两极化,促进更公平的学生分配政策制定。
2025-09-19 cs.CY
Monitor++?: Multiple versus Single Laboratory Monitors in Early Programming Education
贡献:本文提出了一种实证研究的入门级编程课程的学生使用多个显示器,并比较他们的表现和自我报告的经验与学生使用一个单一的显示器。背景技术背景:许多技术领域的教学级编程通常使用多监视器站,然而,一些教育实验室使用单监视器站。这并不能代表学生在实践和体验式学习中会遇到的情况。研究问题:本研究旨在回答三个研究问题。这些问题包括发现学生的经验观察,对比使用一个显示器的学生与使用两个显示器的学生的表现,以及调查学生使用多个显示器的方式。方法:研究中一半的学生可以使用多个显示器。这是两个研究组之间唯一的区别。本研究对比了年级中位数,并进行了中位数检验评估。此外,经验调查促进了likert规模的价值观和开放式的反馈问题促进文本分析。研究的局限性包括样本量小(86名学生)和缺乏对参与者组成的控制。调查结果:学生的反应非常积极的评价他们的经验,使用干预。总体而言,多显示器组的性能略有改善。最大的改进是在软件设计和图形作业。在接口和层次结构实验中,性能在统计上显著提高。学生以不同的方式使用多显示器,包括参考指南,作业规范等。
2021-08-13 cs.CY
Hands-on PDC in Undergraduate Computing Education
Stetson University(斯特森大学)
本文提出一个实践作业,让学生直接使用佛罗里达大学的HiPerGator超算系统,用Python和C实现矩阵乘法并进行性能测试,通过项目式学习加深学生对并行计算和多线程的理解。
2026-04-28 cs.CY
Connecting Data Science and Qualitative Interview Insights through Sentiment Analysis to Assess Migrants' Emotion States Post-Settlement
社会科学家的大规模调查研究提供了对移徙者挑战的一般性理解,并提供了对就业、获得教育证书和拥有住房等移徙后基准的评估。然而,很少有研究探讨移民和定居过程中的情感或“感觉状态”领域,而且往往是通过封闭式调查问题来进行的,这些问题表面上评估感觉状态。在移民和定居的情绪的评估已在很大程度上留给定性研究人员使用深入的,解释性的方法,如半结构化的采访。这种方法也有很大的局限性,即样本量小,捕捉有限的地理环境,沉重的时间负担分析数据,并限制分析一致性的细微差别定性数据编码。然而,有关移民情绪状态的信息对政府和非政府组织来说是有价值的,可以根据移民的挑战和挫折制定政策和计划,从而通过繁荣的移民人口刺激经济发展。在本文中,我们提出了一个跨学科的试点项目,提供了一种方法,通过对移民进行详尽的定性访谈,使用Python NLTK工具包进行情感分析。我们建议数据科学家可以通过与社会科学家的合作,有效和准确地对移民的情感状态进行大规模评估。
2016-09-28 cs.CY
Combining Gamification and Intelligent Tutoring Systems in a Serious Game for Engineering Education
本文提出将专家驱动课程规划、计算智能与游戏化结合,嵌入严肃游戏构建个性化学习系统,并通过课堂实验和前后测验证其提升工程教育效果的作用。
2023-05-26 cs.CY cs.HC
An Innovative Solution: AI-Based Digital Screen-Integrated Tables for Educational Settings
The Assam Kaziranga University(阿萨姆卡齐兰加大学)
本文提出一种面向教育环境的数字屏幕集成桌,通过CPU控制屏幕同步显示教学内容并收集学生表现数据,结合机器学习模型分析学习行为以识别快慢学习者并优化资源分配。
2024-10-08 cs.AI cs.CY cs.HC
Interpreting Latent Student Knowledge Representations in Programming Assignments
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
针对教育大模型学生知识表示可解释性不足的问题,提出信息正则化开放式项目反应理论模型InfoOIRT,通过最大化带先验的潜在知识状态与学生代码的互信息学习解耦表示,在真实数据集上实现代码生成与可解释知识表示的双重效果。
2024-05-13 cs.CL cs.CY cs.LG
Same Performance, Different Process: Epistemic Ownership in AI-Mediated Education
CICS-UDD(乌迪亚德大学计算与信息科学中心)
本研究通过分析150个学生-AI对话,揭示生成式AI教育中相同评估表现可能对应不同认知参与过程,提出评估应关注认知过程证据而非仅看结果。
2026-10-05 cs.CY
Pilot Study on Generative AI and Critical Thinking in Higher Education Classrooms
College of Science(科学学院);George Mason University(乔治·马歇尔大学)
本研究通过设计分析、批评和修改AI生成答案的学习活动,初步探索了入门计算与数据科学课程中大学生对生成式AI输出的批判性思维能力。
2025-09-08 cs.AI cs.CY cs.HC
Teaching Software Engineering through Robotics
ETH Zurich(苏黎世联邦理工学院)
本文介绍了一个新开发的机器人编程课程,并报告了机器人背景下的软件工程教育的初步成果。机器人学程序设计是一门多学科交叉的课程,软件工程与机器人学并重。它教学生适当的软件工程-特别是模块化和文档-让他们实现四个核心机器人算法的教育机器人。为了评估机器人背景下的软件工程教育的效果,我们分析了课前和课后的调查数据和我们的学生完成的四个作业。分析表明,学生获得了软件工程技术和原则的理解。
2014-06-17 cs.CY cs.RO
Developing Open Source Educational Resources for Machine Learning and Data Science
Ludwig-Maximilians-Universität München(慕尼黑大学);Leibniz University Hannover(汉诺威莱布尼茨大学)
本文提出面向机器学习与数据科学的开源教育资源(OSER)理念,分析其协作开发挑战与解决方案,并探讨其在混合式教学及学分认证中的应用。
2021-08-10 cs.CY cs.LG
Adding Interactivity to Education of Complex Wireless Networks Using Digital Game-Based Learning
我们能让本科工程教育更容易,更有趣吗?这项研究的目的是看看我们是否能回答这个雄心勃勃的问题!基于数字游戏的学习(DGBL)被发现可以提高工程类课程的学习效率,因为它能够让学生感到轻松和有趣。然而,国家的最先进的DGBL计划仍然观察到的挑战,在各个方面,包括成本,效率,准备的教师和学生等的挑战的动机,本研究提出设计一个DGBL平台,功能可视化和系统化的意见。具体来说,我们将应用于无线通信和网络系统的区块链确定为一个关键的生态系统,我们利用了拟议平台的优势。因此,在本文中,我们提出了一个全面的DGBL教学法,包括(一)在相关课程中创建相关的作业活动和课堂材料,(二)教学效果的评估。从长远来看,这项研究的成功交付将增加本科工程专业学生对决定建立在无线网络上的区块链系统性能的各种因素的“一致”动态的信心。
2021-06-28 cs.CY
Developing generative AI chatbots conceptual framework for higher education
本研究整合多经典理论框架与相关变量,提出高等教育领域生成式AI聊天机器人接受模型GAICAM,通过文献分析明确其应用价值与现存挑战,为高校落地应用提供支撑。
2024-05-13 cs.CR cs.CY
Employing Virtualization for Information Technology Education
本文介绍了信息技术课的教学和课程设计。今天,学生要求动手实践活动的最新技术。通过使用服务器虚拟化技术来教授高级概念和大量的实践作业,可以满足这种令人兴奋的教育需求。通过利用虚拟化服务器,学生能够在包含的环境中部署,保护和管理虚拟机和网络。本文将分析和介绍各种技术、评估工具和经验。以前的信息系统或信息技术课程的教学案例是使用非商业产品完成的,例如免费的VMware Server或VMware Player。这些产品在联网、存储和资源管理方面的功能非常有限。一些高级数据中心功能,如分布式电源管理(VMM)、vMotion等,在该类型虚拟化软件的桌面版本中不可用。本手稿介绍了商业软件的使用,如vSphere 4.1,具有完整的数据中心功能和操作,用于各种级别的信息技术课程教学。
2014-04-08 cs.CY cs.DC
Effects of the COVID-19 Pandemic on Learning and Teaching: a Case Study from Higher Education
2019年12月,中国武汉发现首例SARS-CoV-2感染病例。从那天起,COVID-19在全球范围内蔓延,影响了1.53亿人。教育和许多其他部门一样,已经设法适应了不可能像以前那样面对面教授学生所隐含的要求和障碍。然而,人们对大流行期间紧急远程教学(ERT)的影响知之甚少。本研究描述及分析疫情对高等教育学生学习模式的影响。本研究以学习管理系统(LMS)互动、作业提交率、教师观点三个主要因素进行分析。创建了几个变量来分析研究模式,点击不同的LMS组件,在一天中,一周和一部分的任期,与LMS互动的时间跨度和等级类别的使用。结果表明,根据研究的一年,学习模式的显着差异,并确定了反映教师的课程结构的变化的影响的变量。这项研究概述了高等教育的新常态的第一个见解,提供了重要的影响,支持教师在创建学术材料,充分满足学生的特殊需求,根据他们的学习年,学习模式的变化,并通过长期的时间和活动的分布。
2021-05-04 cs.CY
Representation of professions in entertainment media: Insights into frequency and sentiment trends through computational text analysis
University of Southern California(南加州大学)
社会观念和趋势决定了媒体的叙事和电影的放映,这反过来又影响了人们对现实世界的信念和看法。媒体对文化、教育、政府、宗教和家庭的描绘随着时间的推移影响着它们的功能和演变,因为人们解释和感知这些表征,并将其纳入他们的信仰和行动。重要的是研究媒体对这些社会结构的宣传,以便它们不传播或加强消极的陈规定型观念,或歧视任何人口群体。在这项工作中,我们研究了媒体的专业代表性,并提供计算的见解,他们的发病率,和情绪表达,在娱乐媒体内容。我们创建了一个可搜索的专业团体和标题的分类,以方便他们从说话者不可知的文本段落,如电影和电视(TV)节目字幕检索。我们利用这种分类法和相关的自然语言处理(NLP)模型来创建媒体内容中的专业提及语料库,涵盖七十年(1950-2017)的136,000多个IMDb标题。我们分析了不同职业的频率和情感趋势,研究了媒体属性(如类型,生产国和标题类型)对这些趋势的影响,并调查了媒体字幕中职业的发生率是否与其真实世界的就业统计数据相关。我们观察到,在分析的字幕中,媒体提到STEM、艺术、体育和娱乐职业的次数有所增加,而体力劳动工作和军事职业的频率有所下降。随着时间的推移,人们对律师、警察和医生的看法越来越消极,而宇航员、音乐家、歌手和工程师则受到好评。雇佣更多人的企业增加了媒体频率,支持我们的假设,即媒体是社会的镜子。
2021-10-11 cs.CL cs.CY cs.LG
Optimizing Peer Grading: A Systematic Literature Review of Reviewer Assignment Strategies and Quantity of Reviewers
本文系统综述了87项研究,分析同伴评估中评审者分配策略与评审数量对准确性、公平性和教育价值的影响,发现基于能力的分配优于随机分配,并建议每份作品分配三到五次评审以实现最佳平衡。
2025-08-25 cs.CY
Does Starting Deep Learning Homework Earlier Improve Grades?
本研究基于UMBC深度学习课程三个学期数据,用分层贝叶斯模型分析发现,提前提交和增加作业时间均与最终成绩正相关,且额外一天工作的价值对所有学生相同。
2023-09-30 cs.CY
Beyond the Hype: Critical Analysis of Student Motivations and Ethical Boundaries in Educational AI Use in Higher Education
University of Isfahan(伊斯法罕大学)
本文探讨高等教育中学生使用 AI 的动机与伦理问题,指出学生普遍依赖 AI 工具但缺乏指导,女性更关注 AI 滥用风险,提出通过 AI 文化课程和评估改革促进负责任的 AI 采用。
2025-12-10 cs.CY
Cyber Security and Online Safety Education for Schools in the UK: Looking through the Lens of Twitter Data
近年来,数字技术在许多方面都取得了发展。因此,许多学龄儿童已经接触到数字世界很多。孩子们正在使用更多的数字技术,因此学校需要教孩子们更多关于网络安全和在线安全的知识。正因为如此,现在有更多的学校课程和项目向学生传授网络安全和在线安全知识,并帮助他们学习和提高技能。然而,尽管有许多方案和项目,但没有多少证据表明有多少学校参与并帮助传播了这些方案和项目。这项工作展示了我们如何了解英国学校网络安全和在线安全教育的规模和范围,英国是一个拥有非常活跃和先进的网络安全教育概况的国家,使用来自超过15,000所学校的近20万条公共推文。通过使用简单的技术,如描述性统计和可视化,以及先进的自然语言处理(NLP)技术,如情感分析和主题建模,我们展示了一些新的发现和见解,英国学校作为一个部门一直在Twitter上做他们的网络安全和在线安全教育活动。我们的工作已经产生了一系列大规模和真实世界的证据,可以帮助通知对网络安全感兴趣的人和组织,并在学校教授在线安全。
2022-12-30 cs.CY cs.SI
Generative AI May Reinforce Social Biases in Software Engineering Education
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
本研究揭示生成式AI在软件工程教育中的团队组建和视觉内容生成任务中强化社会偏见,需领域特定评估与缓解策略。
2026-09-25 cs.CY cs.SE
A Machine Learning system to monitor student progress in educational institutes
diracAI Private Limited(diracAI私人有限公司);Amity University(阿米提大学)
为了跟踪和了解学生的学业成绩,私立和公立教育机构都投入了大量的资源和人力。学院经常处理的难题之一是了解学生的考试缺点。学生的表现受多种因素影响,包括出勤率、上课时的专注程度、对所教授概念的理解、教师有效传授材料的能力、按时完成家庭作业,以及家长和教师对引导学生完成学习过程的关注。我们提出了一种数据驱动的方法,利用机器学习技术来生成一个分类器,称为信用评分,有助于理解学生的学习旅程,并确定活动,导致低于标准的性能。这将使教育工作者和机构管理人员更容易为系统开发创建指导方针,以提高生产力。使用学分作为进度指标的建议非常适合用于学习管理系统。在本文中,我们使用模拟数据在简化假设下证明了这一概念。
2022-11-02 cs.CY cs.LG
Leveraging AI to Advance Science and Computing Education across Africa: Challenges, Progress and Opportunities
Kwame AI Inc.(夸米人工智能公司);ETH Zurich(苏黎世联邦理工学院)
本文探讨了在非洲推进AI教育面临的挑战,并介绍了团队开发的SuaCode、AutoGrad和Brilla AI等六款用于科学与计算教育的AI工具及其应用,最后展望了未来的发展机遇。
2024-04-26 cs.CL cs.CY cs.HC
ChatGPT vs Teachers vs Students: Large-Scale Analysis of Generative AI Discourse in Education Communities on Reddit
Middle East Technical University(中东技术大学);The University of Edinburgh(爱丁堡大学);Durham University(杜伦大学)
本文通过分析Reddit上27万条与AI相关的帖子和评论,探讨了学生和教师对生成式AI变革的看法和应对策略,发现 discourse从早期的检测与逃避竞赛演变为持续的执行制度,其中对抗性执行主题在师生互动中占据核心地位。
2026-05-18 cs.CY cs.SI
LLM Use, Cheating, and Academic Integrity in Software Engineering Education
University of Calgary(卡尔加里大学);University of Hawaii at Manoa(夏威夷大学马诺阿分校);University College London(伦敦大学学院);Universidade Federal Rural de Pernambuco (UFRPE)(伯南布哥联邦农村大学);Radboud University(拉德堡德大学)
本研究探讨了软件工程学生在编程作业中使用大语言模型时的不当行为,分析了评估和教学条件对学术诚信的影响。
2026-03-19 cs.CY cs.SE
Teaching Usable Privacy in HCI Education: Designing, Implementing, and Evaluating an Active Learning Graduate Course
George Mason University(乔治梅森大学)
本文设计并评估了一门15周的研究生课程,通过主动学习方法教授可操作隐私,提升学生在隐私设计中的决策能力,并提供课程实施和评估的详细指南。
2026-04-26 cs.CY cs.HC
Modeling Assumptions Clash with the Real World: Transparency, Equity, and Community Challenges for Student Assignment Algorithms
在美国,越来越多的学区正在转向匹配算法来分配学生到公立学校。这些算法的设计者旨在促进过程中的透明度,公平和社区等价值。然而,学区在部署中遇到了实际挑战。事实上,旧金山联合学区投票决定停止使用并完全重新设计他们的学生分配算法,因为它在实践中没有促进教育公平。我们分析了这个系统,使用价值敏感的设计方法,并发现,在实践中不满足的价值观的一个原因是,该系统依赖于建模假设家庭的优先级,约束条件和目标,与现实世界的冲突。这些假设忽视了许多家庭面临的理想参与的复杂障碍,特别是由于社会经济不平等。我们认为,与利益相关者直接、持续的接触是将算法价值与现实世界条件相结合的核心。在这样做的时候,我们必须拓宽我们评估算法的方式,同时认识到纯算法解决方案在解决复杂社会政治问题方面的局限性。
2021-01-25 cs.CY cs.GT cs.HC
FastFixer: An Efficient and Effective Approach for Repairing Programming Assignments
针对LLM修复编程作业时定位编辑不准且自回归推理较慢的问题,本文提出FastFixer,通过面向修复的微调与任务定制推理加速,实现修复效果提升20.46%、推理加速16.67倍。
2024-10-11 cs.CY cs.SE