Fugu-MT 論文翻訳(概要): Exploring Machine Teaching with Children

論文の概要: Exploring Machine Teaching with Children

arxiv url: http://arxiv.org/abs/2109.11434v1
Date: Thu, 23 Sep 2021 15:18:53 GMT
ステータス: 処理完了
システム内更新日: 2021-09-24 17:20:10.006145
Title: Exploring Machine Teaching with Children
Title（参考訳）: 子どもとの機械教育の探求
Authors: Utkarsh Dwivedi, Jaina Gandhi, Raj Parikh, Merijke Coenraad, Elizabeth Bonsignore, and Hernisa Kacorri
Abstract要約: 反復的な機械学習モデルの構築とテストは、子どもたちが機械学習や人工知能を使って創造性、柔軟性、快適さを育むのに役立つ。子どもたちは、14人の子ども(7～13歳)と大人の共設計者で、機械教育のインターフェイスをどのように使うかを探る。
参考スコア（独自算出の注目度）: 9.212643929029403
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Iteratively building and testing machine learning models can help children develop creativity, flexibility, and comfort with machine learning and artificial intelligence. We explore how children use machine teaching interfaces with a team of 14 children (aged 7-13 years) and adult co-designers. Children trained image classifiers and tested each other's models for robustness. Our study illuminates how children reason about ML concepts, offering these insights for designing machine teaching experiences for children: (i) ML metrics (e.g. confidence scores) should be visible for experimentation; (ii) ML activities should enable children to exchange models for promoting reflection and pattern recognition; and (iii) the interface should allow quick data inspection (e.g. images vs. gestures).
Abstract（参考訳）: 反復的な機械学習モデルの構築とテストは、子供たちが創造性、柔軟性、および機械学習と人工知能を快適に開発するのに役立つ。本研究では,14人の子供(7～13歳)と大人の共同設計者を対象に,機械教育インタフェースの活用方法を検討する。子どもたちは画像分類器を訓練し、互いのモデルの堅牢性をテストした。本研究は、子どもたちがml概念をどう考えるかを照らし、子どもたちに機械教育体験を設計するための洞察を提供する。 (i)MLメトリクス(例えば、信頼性スコア)は実験のために見えなければならない。 (二)ML活動は、子どもが反射・パターン認識を促進するためのモデル交換を可能にすること。 (iii)インターフェースは、迅速なデータ検査(画像対ジェスチャーなど)を可能にするべきである。

関連論文リスト

Unpacking Approaches to Learning and Teaching Machine Learning in K-12 Education: Transparency, Ethics, and Design Activities [0.0]
機械学習の学習と教育を概念化するための3つのアプローチを同定する。その1つは、データ駆動アプローチであり、若者にデータセットを作成し、トレーニングし、テストする機会を提供することを強調している。アルゴリズム駆動学習の第2のアプローチは、機械学習モデルの背後にある学習アルゴリズムやエンジンの動作に関する学習を優先するものだ。
論文参考訳（メタデータ） (2024-06-05T17:37:21Z)
Toward In-Context Teaching: Adapting Examples to Students' Misconceptions [54.82965010592045]
本稿ではAdapTと呼ばれる一連のモデルと評価手法を紹介する。 AToMは、学生の過去の信念を共同で推論し、将来の信念の正しさを最適化する適応教育の新しい確率論的モデルである。本研究は,適応型学習課題の難しさと,それを解決するための学習適応モデルの可能性を両立させるものである。
論文参考訳（メタデータ） (2024-05-07T17:05:27Z)
Investigating Youths' Everyday Understanding of Machine Learning Applications: a Knowledge-in-Pieces Perspective [0.0]
K-12教育に人工知能を取り入れようという近年の要求にもかかわらず、若者の機械学習(ML)に関する日々の知識を研究するのに十分な注意が払われていない。本研究では,10代におけるMLの日常的理解について,ナレッジ・イン・ピースの観点から検討する。分析の結果,若年者はMLアプリケーションが学習データから学習し,アプリケーションが入力データのパターンを認識し,それに応じて異なる出力を提供するという理解を示した。
論文参考訳（メタデータ） (2024-03-31T16:11:33Z)
Evaluating and Optimizing Educational Content with Large Language Model Judgments [52.33701672559594]
言語モデル(LM)を教育専門家として活用し,学習結果に対する様々な指導の影響を評価する。本稿では,一方のLMが他方のLMの判断を報酬関数として利用して命令材料を生成する命令最適化手法を提案する。ヒトの教師によるこれらのLM生成ワークシートの評価は、LM判定と人間の教師の嗜好との間に有意な整合性を示す。
論文参考訳（メタデータ） (2024-03-05T09:09:15Z)
A Vision Check-up for Language Models [61.852026871772914]
テキストのモデルを用いて、予備的な視覚表現学習システムをどのように訓練するかを示す。自己教師付き視覚表現学習の実験は、自然画像のセマンティックアセスメントを行うことができる視覚モデルを訓練する可能性を強調している。
論文参考訳（メタデータ） (2024-01-03T18:09:33Z)
Not Just Training, Also Testing: High School Youths' Perspective-Taking through Peer Testing Machine Learning-Powered Applications [0.0]
機械学習アプリケーションのテストは、アプリケーションの作者が障害やエッジケースを特定し、対処するのに役立ちます。我々は、11人の高校生が物理コンピューティングプロジェクトを作った2週間のワークショップで収集したワークシート、オーディオ、ビデオの録音テストを分析した。その結果、ピアテストの若者は、トレーニングデータセットのサイズ、トレーニングデータの多様性、クラスの設計、トレーニングデータを生成するコンテキストに反映していることがわかった。
論文参考訳（メタデータ） (2023-11-21T17:15:43Z)
Examining the Values Reflected by Children during AI Problem Formulation [9.516294164912072]
子どもが提案するアイデアには,高度なシステムインテリジェンスとユーザの社会的関係を理解することが必要である。子どもの考えは、意思決定する前に家族や機械が社会的文脈を理解することを気にしていたことを示している。
論文参考訳（メタデータ） (2023-09-27T17:58:30Z)
Imitation versus Innovation: What children can do that large language and language-and-vision models cannot (yet)? [0.10312968200748115]
我々は、大規模言語モデルと言語とビジョンモデルが効率的な模倣エンジンであると主張している。以上の結果から,子どもができることを実現するには,機械が大規模言語や画像以上のものが必要になる可能性が示唆された。
論文参考訳（メタデータ） (2023-05-08T18:26:39Z)
Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
論文参考訳（メタデータ） (2021-08-17T17:44:38Z)
Unadversarial Examples: Designing Objects for Robust Vision [100.4627585672469]
現代の機械学習アルゴリズムの感度を入力摂動に活かし、「ロバストオブジェクト」を設計するフレームワークを開発しています。標準ベンチマークから(シミュレーション中)ロボット工学まで,さまざまな視覚ベースのタスクに対するフレームワークの有効性を実証する。
論文参考訳（メタデータ） (2020-12-22T18:26:07Z)
Explainable Active Learning (XAL): An Empirical Study of How Local Explanations Impact Annotator Experience [76.9910678786031]
本稿では、最近急増している説明可能なAI(XAI)のテクニックをアクティブラーニング環境に導入することにより、説明可能なアクティブラーニング(XAL)の新たなパラダイムを提案する。本研究は,機械教育のインタフェースとしてのAI説明の利点として,信頼度校正を支援し,リッチな形式の教示フィードバックを可能にすること,モデル判断と認知作業負荷による潜在的な欠点を克服する効果を示す。
論文参考訳（メタデータ） (2020-01-24T22:52:18Z)

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。