論文の概要: Lost in Translation: Reimagining the Machine Learning Life Cycle in
Education
- arxiv url: http://arxiv.org/abs/2209.03929v1
- Date: Thu, 8 Sep 2022 17:14:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-09 13:26:18.898254
- Title: Lost in Translation: Reimagining the Machine Learning Life Cycle in
Education
- Title(参考訳): 翻訳の損失:教育における機械学習のライフサイクルを再考する
- Authors: Lydia T. Liu, Serena Wang, Tolani Britton, Rediet Abebe
- Abstract要約: 機械学習(ML)技術は、教育においてますます普及している。
ML技術が長年の教育原則と目標をどのように支えているかを調べる必要がある。
本研究では,教育専門家へのインタビューから得られた質的な洞察をもとに,この複雑な景観を考察した。
- 参考スコア(独自算出の注目度): 12.802237736747077
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning (ML) techniques are increasingly prevalent in education,
from their use in predicting student dropout, to assisting in university
admissions, and facilitating the rise of MOOCs. Given the rapid growth of these
novel uses, there is a pressing need to investigate how ML techniques support
long-standing education principles and goals. In this work, we shed light on
this complex landscape drawing on qualitative insights from interviews with
education experts. These interviews comprise in-depth evaluations of ML for
education (ML4Ed) papers published in preeminent applied ML conferences over
the past decade. Our central research goal is to critically examine how the
stated or implied education and societal objectives of these papers are aligned
with the ML problems they tackle. That is, to what extent does the technical
problem formulation, objectives, approach, and interpretation of results align
with the education problem at hand. We find that a cross-disciplinary gap
exists and is particularly salient in two parts of the ML life cycle: the
formulation of an ML problem from education goals and the translation of
predictions to interventions. We use these insights to propose an extended ML
life cycle, which may also apply to the use of ML in other domains. Our work
joins a growing number of meta-analytical studies across education and ML
research, as well as critical analyses of the societal impact of ML.
Specifically, it fills a gap between the prevailing technical understanding of
machine learning and the perspective of education researchers working with
students and in policy.
- Abstract(参考訳): 機械学習(ml)技術は、学生の退学予測への利用から大学入学の補助、moocの台頭の促進に至るまで、教育においてますます普及している。
これらの新規利用の急速な成長を考えると、ML技術が長年の教育原則や目標をどのように支えているかを調べる必要がある。
本研究では,教育専門家へのインタビューから得られた質的な洞察をもとに,この複雑な景観を考察した。
これらのインタビューは、過去10年間に行われたML for Education(ML4Ed)の論文の詳細な評価で構成されている。
我々の中心的な研究目標は、これらの論文の述べられた教育や社会的目的が、彼らが取り組んだML問題とどのように一致しているかを批判的に検証することである。
すなわち、技術的課題の定式化、目的、アプローチ、そして結果の解釈が、目の前の教育問題とどの程度一致しているかである。
学際的なギャップが存在し、特にMLライフサイクルの2つの部分には、教育目標からのML問題の定式化と介入への予測の翻訳がある。
これらの知見を用いて拡張MLライフサイクルを提案し、他のドメインでのMLの使用にも適用できるかもしれない。
我々の研究は、教育やML研究におけるメタ分析研究の増加と、MLの社会的影響の批判的分析に結びついている。
具体的には、機械学習の一般的な技術的理解と、学生や政策に携わる教育研究者の視点とのギャップを埋める。
関連論文リスト
- Adapting Large Language Models for Education: Foundational Capabilities,
Potentials, and Challenges [62.909058209342334]
ChatGPTのような大規模言語モデル(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) - Model-driven Engineering for Machine Learning Components: A Systematic
Literature Review [8.810090413018798]
MDE4ML の使用の背景にある主要な動機を明らかにするため,いくつかの分野の研究を分析した。
また,既存の文献のギャップについても論じ,今後の研究を推奨する。
論文 参考訳(メタデータ) (2023-11-01T04:29:47Z) - Aligning Large Language Models with Human: A Survey [53.6014921995006]
広範囲なテキストコーパスで訓練されたLarge Language Models (LLM) は、幅広い自然言語処理(NLP)タスクの先導的なソリューションとして登場した。
その顕著な性能にもかかわらず、これらのモデルは、人間の指示を誤解したり、偏見のあるコンテンツを生成したり、事実的に誤った情報を生成するといった、ある種の制限を受ける傾向にある。
本調査では,これらのアライメント技術の概要について概観する。
論文 参考訳(メタデータ) (2023-07-24T17:44:58Z) - Interpretability of Machine Learning: Recent Advances and Future
Prospects [21.68362950922772]
機械学習(ML)の普及は、様々なマルチメディアコンテンツの研究に前例のない関心を集めている。
現代のML、特にディープニューラルネットワーク(DNN)におけるブラックボックスの性質は、MLベースの表現学習において主要な課題となっている。
本稿では,MLの解釈可能性に関する最近の進歩と今後の展望について述べる。
論文 参考訳(メタデータ) (2023-04-30T17:31:29Z) - MLOps Spanning Whole Machine Learning Life Cycle: A Survey [4.910132890978536]
Google AlphaGosの勝利は、機械学習(ML)の研究と開発を大いに動機付け、加速させた。
本稿では,既存のML技術の現状を包括的調査により明らかにすることを目的としている。
論文 参考訳(メタデータ) (2023-04-13T04:12:38Z) - Use and Misuse of Machine Learning in Anthropology [0.9786690381850356]
生物学的・文化的な証拠に基づいて人類の進化を理解することを目指す古人類学の分野に焦点をあてる。
本研究の目的は,MLが古人類学に応用されている方法について,簡単な紹介を行うことである。
人類学文献の集積部において,ML手法の正しいプロトコルの一連の誤り,誤り,違反について論じる。
論文 参考訳(メタデータ) (2022-09-06T20:32:24Z) - Machine Learning Operations (MLOps): Overview, Definition, and
Architecture [0.0]
機械学習オペレーション(MLOps)のパラダイムは、この問題に対処する。
MLOpsはいまだ曖昧な用語であり、研究者や専門家にとっての結果は曖昧である。
必要なコンポーネントや役割、関連するアーキテクチャや原則をまとめて紹介します。
論文 参考訳(メタデータ) (2022-05-04T19:38:48Z) - 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) - MAML is a Noisy Contrastive Learner [72.04430033118426]
モデルに依存しないメタラーニング(MAML)は、今日では最も人気があり広く採用されているメタラーニングアルゴリズムの1つである。
我々は、MAMLの動作メカニズムに対する新たな視点を提供し、以下に示すように、MAMLは、教師付きコントラスト目的関数を用いたメタラーナーに類似している。
このような干渉を軽減するため, 単純だが効果的な手法であるゼロ化手法を提案する。
論文 参考訳(メタデータ) (2021-06-29T12:52:26Z) - Understanding the Usability Challenges of Machine Learning In
High-Stakes Decision Making [67.72855777115772]
機械学習(ML)は、多種多様な成長を続ける一連のドメインに適用されている。
多くの場合、MLやデータサイエンスの専門知識を持たないドメインの専門家は、ML予測を使用してハイステークな意思決定を行うように求められます。
児童福祉スクリーニングにおけるMLユーザビリティの課題について,児童福祉スクリーニング者との一連のコラボレーションを通じて検討する。
論文 参考訳(メタデータ) (2021-03-02T22:50:45Z) - Personalized Education in the AI Era: What to Expect Next? [76.37000521334585]
パーソナライズ学習の目的は、学習者の強みに合致する効果的な知識獲得トラックをデザインし、目標を達成するために弱みをバイパスすることである。
近年、人工知能(AI)と機械学習(ML)の隆盛は、パーソナライズされた教育を強化するための新しい視点を広げています。
論文 参考訳(メタデータ) (2021-01-19T12:23:32Z)
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。