論文の概要: Improving Ethical Outcomes with Machine-in-the-Loop: Broadening Human Understanding of Data Annotations

• arxiv url: http://arxiv.org/abs/2112.09738v1
• Date: Thu, 16 Dec 2021 03:21:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-23 10:13:52.479737
• Title: Improving Ethical Outcomes with Machine-in-the-Loop: Broadening Human Understanding of Data Annotations
• Title（参考訳）: machine-in-the-loopによる倫理的成果の改善 - データアノテーションの人間理解の拡大
• Authors: Ashis Kumer Biswas, Geeta Verma, Justin Otto Barber
• Abstract要約: 本稿では,自然言語に基づく教師付き機械学習タスクにおける不必要なバイアスの根本原因を解決することを目的とした,ループ内機械学習パイプラインを提案する。 LivedXは、マイノリティ化された学生の生活経験を21世紀のスキルに翻訳し、マイクロクレジットを発行し、21世紀のスキルポートフォリオを作成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a machine-in-the-loop pipeline that aims to address root causes of unwanted bias in natural language based supervised machine learning tasks in the education domain. Learning from the experiences of students is foundational for education researchers, and academic administrators. 21st-century skills learned from experience are becoming a core part of college and career readiness as well as the hiring process in the new knowledge economy. Minoritized students demonstrate these skills in their daily lives, but documenting, assessing, and validating these skills is a huge problem for educational institutions. As an equity focused online platform, LivedX translates minoritized students' lived experiences into the 21st century skills, issues micro-credentials, and creates personal 21st century skills portfolio. To automate the micro credential mining from the natural language texts received from the students' submitted essays, we employed a bag-of-word model to construct a multi-output classifier. Despite our goal, our model initially exacerbated disparate impact on minoritized students. We used a machine-in-the-loop model development pipeline to address the problem and refine the aforementioned model to ensure fairness in its prediction.
• Abstract（参考訳）: 学習領域における自然言語に基づく教師付き機械学習タスクにおける不要なバイアスの根本原因に対処することを目的とした,ループ内機械学習パイプラインを提案する。 学生の経験から学ぶことは、教育研究者や学術管理者にとって基礎となる。 経験から学んだ21世紀のスキルは、新しい知識経済における雇用プロセスだけでなく、大学やキャリアの準備ができている。 マイノリティー化した学生は日常生活でこれらのスキルを実演するが、これらのスキルの文書化、評価、検証は教育機関にとって大きな問題である。 エクイティにフォーカスしたオンラインプラットフォームとして、LivedXは、未成年の学生の生活経験を21世紀のスキルに翻訳し、マイクロクレジットを発行し、21世紀のスキルポートフォリオを作成する。 学生の論文から受け取った自然言語テキストからマイクロクレデンシャルマイニングを自動化するために,多出力分類器を構築するために,単語の袋モデルを用いた。 私たちの目標にもかかわらず、私たちのモデルは最初、マイノリティの学生に異なる影響を与えました。 我々は,ループ内モデル開発パイプラインを用いてこの問題に対処し,上記のモデルを洗練し,予測の公平性を確保する。

関連論文リスト

• ChatGPT in Classrooms: Transforming Challenges into Opportunities in Education [0.14732811715354452]
  私たちはこの教育フロンティアの瀬戸際に立っており、多くの注意を払ってこの地形をナビゲートする必要があることは明らかです。 不適切に使用すると、AIツールはコピーペースト精神をカットするための完璧なツールになる。 この研究は、将来の研究者が自身のデータを適用し、運用するためのプロセスマニュアルとして使用される。
  論文  参考訳（メタデータ） (2024-05-17T09:17:59Z)
• Adapting Large Language Models for Education: Foundational Capabilities, Potentials, and Challenges [60.62904929065257]
  大規模言語モデル(LLM)は、個々の要求を解釈することでこの問題を解決する可能性を提供する。 本稿では, 数学, 文章, プログラミング, 推論, 知識に基づく質問応答など, 教育能力に関する最近のLLM研究を概観する。
  論文  参考訳（メタデータ） (2023-12-27T14:37:32Z)
• Are Emergent Abilities in Large Language Models just In-Context Learning? [46.561464069450444]
  創発的能力を説明する新しい理論を提示する。 以上の結果から,創発能力は真に創発的ではなく,文脈内学習,モデル記憶,言語知識の組み合わせによるものであることが示唆された。
  論文  参考訳（メタデータ） (2023-09-04T20:54:11Z)
• On the application of Large Language Models for language teaching and assessment technology [18.735612275207853]
  我々は,AIによる言語教育とアセスメントシステムに大規模言語モデルを導入する可能性を検討する。 より大きな言語モデルは、テキスト生成における以前のモデルよりも改善されていることがわかった。 自動階調と文法的誤り訂正において、よく知られたベンチマークで進捗が確認されたタスクについては、初期の調査では、彼ら自身の大きな言語モデルが最先端の結果を改善していないことが示されている。
  論文  参考訳（メタデータ） (2023-07-17T11:12:56Z)
• Opportunities and Challenges in Neural Dialog Tutoring [54.07241332881601]
  言語学習のための2つの対話学習データセットを用いて、様々な生成言語モデルを厳密に分析する。 現在のアプローチでは、制約のある学習シナリオでチューリングをモデル化できますが、制約の少ないシナリオではパフォーマンスが悪くなります。 人的品質評価では, モデルと接地木アノテーションの両方が, 同等のチュータリングの点で低い性能を示した。
  論文  参考訳（メタデータ） (2023-01-24T11:00:17Z)
• Build-a-Bot: Teaching Conversational AI Using a Transformer-Based Intent Recognition and Question Answering Architecture [15.19996462016215]
  本稿では、自然言語パイプラインを用いて、独自の学校カリキュラムに基づく質問に答えるためにカスタマイズされたモデルを訓練することで、人工知能の原理を学習するためのインタフェースを提案する。 このパイプラインは、AIエージェントを作成しながら、これらのプロセスのそれぞれを通じて、学生のデータ収集、データ拡張、意図認識、質問応答を教える。
  論文  参考訳（メタデータ） (2022-12-14T22:57:44Z)
• Learnware: Small Models Do Big [69.88234743773113]
  自然言語処理やコンピュータビジョンの応用で目覚ましい成果を上げてきた、一般的なビッグモデルパラダイムは、これらの問題にまだ対応していないが、炭素排出量の深刻な源となっている。 この記事では、マシンラーニングモデルをスクラッチから構築する必要がないようにするための学習ソフトウェアパラダイムの概要を紹介します。
  論文  参考訳（メタデータ） (2022-10-07T15:55:52Z)
• What Artificial Neural Networks Can Tell Us About Human Language Acquisition [47.761188531404066]
  自然言語処理のための機械学習の急速な進歩は、人間がどのように言語を学ぶかについての議論を変革する可能性がある。 計算モデルによる学習可能性の関連性を高めるためには,人間に対して大きな優位性を持たず,モデル学習者を訓練する必要がある。
  論文  参考訳（メタデータ） (2022-08-17T00:12:37Z)
• Knowledge as Invariance -- History and Perspectives of Knowledge-augmented Machine Learning [69.99522650448213]
  機械学習の研究は転換点にある。 研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。 このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
  論文  参考訳（メタデータ） (2020-12-21T15:07:19Z)
• Computer-Aided Personalized Education [15.811740322935476]
  過去10年間で、導入コースを受講する米国の学生数は3倍に増えている。 大規模なオープンオンラインコース(MOOC)は、この制約を緩和する方法として推進されている。 計算ツールに依存したパーソナライズド教育はこの課題に対処できる。
  論文  参考訳（メタデータ） (2020-07-07T18:00:04Z)
• 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。

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。