Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Enhancing Student Learning with LLM-Generated Retrieval Practice Questions: An Empirical Study in Data Science Courses

Created by
  • Haebom

저자

Yuan An, John Liu, Niyam Acharya, Ruhma Hashmi

개요

본 연구는 대규모 언어 모델(LLM)이 생성한 회상 연습 질문이 대학 수준의 데이터 과학 수업 학생들의 학습 성과에 미치는 영향을 실증적으로 분석한 연구입니다. 약 60명의 학생들을 대상으로 LLM이 생성한 객관식 회상 연습 질문을 제공받은 주와 그렇지 않은 주의 학습 성과를 비교하였습니다. 그 결과, LLM이 생성한 회상 연습 질문을 제공받은 학생들은 평균 정확도 89%로, 질문을 제공받지 않은 학생들의 73%보다 유의미하게 높은 지식 유지율을 보였습니다. 이는 LLM이 생성한 회상 연습 질문이 학생 학습을 효과적으로 지원하고, 회상 연습을 실시간 교육에 통합하는 확장 가능한 솔루션을 제공할 수 있음을 시사합니다.

시사점, 한계점

시사점:
LLM을 활용하여 회상 연습 질문을 자동 생성함으로써 강사의 시간 및 노력을 절감할 수 있습니다.
LLM 기반 회상 연습은 학생들의 지식 유지율을 향상시키는 데 효과적임을 실증적으로 확인하였습니다.
LLM 기반 회상 연습은 실시간 교육에 회상 연습을 효과적으로 통합할 수 있는 확장 가능한 방법을 제공합니다.
한계점:
LLM이 생성하는 질문의 질이 일관적이지 않을 수 있으므로, 강사의 수동 검토 및 수정이 필요합니다.
연구 대상이 특정 과목(데이터 과학) 및 학생 집단에 국한되어 일반화 가능성에 제한이 있습니다.
연구 기간이 1주일로 단기간이어서 장기적인 학습 효과에 대한 추가 연구가 필요합니다.
👍