論文の概要: Base rate neglect in computer science education
- arxiv url: http://arxiv.org/abs/2209.08312v2
- Date: Sun, 23 Oct 2022 07:14:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 11:15:06.477941
- Title: Base rate neglect in computer science education
- Title（参考訳）: コンピュータサイエンス教育におけるベースレートの無視
- Authors: Koby Mike and Orit Hazzan
- Abstract要約: 本研究では,ML コースの学生の約3分の1が,背景の違いから,ベースレートの無視バイアスにより,ML アルゴリズムの性能を正しく評価できないことを示す。
この失敗率は、教育者に警告し、MLアルゴリズムのパフォーマンスを教えるための新しい教育手法の開発を促進するべきである。
- 参考スコア（独自算出の注目度）: 8.528384027684192
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning (ML) algorithms are gaining increased importance in many
academic and industrial applications, and such algorithms are, accordingly,
becoming common components in computer science curricula. Learning ML is
challenging not only due to its complex mathematical and algorithmic aspects,
but also due to a) the complexity of using correctly these algorithms in the
context of real-life situations and b) the understanding of related social and
ethical issues. Cognitive biases are phenomena of the human brain that may
cause erroneous perceptions and irrational decision-making processes. As such,
they have been researched thoroughly in the context of cognitive psychology and
decision making; they do, however, have important implications for computer
science education as well. One well-known cognitive bias, first described by
Kahneman and Tversky, is the base rate neglect bias, according to which humans
fail to consider the base rate of the underlying phenomena when evaluating
conditional probabilities. In this paper, we explore the expression of the base
rate neglect bias in ML education. Specifically, we show that about one third
of students in an Introduction to ML course, from varied backgrounds (computer
science students and teachers, data science, engineering, social science and
digital humanities), fail to correctly evaluate ML algorithm performance due to
the base rate neglect bias. This failure rate should alert educators and
promote the development of new pedagogical methods for teaching ML algorithm
performance.
- Abstract（参考訳）: 機械学習(ml)アルゴリズムは多くの学術的・工業的応用において重要性を増しており、そのようなアルゴリズムはコンピュータ科学のカリキュラムで一般的な構成要素となっている。
mlの学習は、その複雑な数学的側面とアルゴリズム的側面によって困難である。
a)現実の状況の文脈でこれらのアルゴリズムを正しく使用する複雑さ
b) 関連する社会的及び倫理的問題を理解すること。
認知バイアスは、誤った認識と不合理な意思決定プロセスを引き起こす可能性のある人間の脳の現象である。
そのため、認知心理学や意思決定の文脈において徹底的に研究されてきたが、コンピュータサイエンス教育においても重要な意味を持つ。
KahnemanとTverskyによって最初に説明された認知バイアスは、人間が条件付き確率を評価する際に、基礎となる現象のベースレートを考慮できないため、ベースレートの無視バイアスである。
本稿では,ML教育におけるベースレート無視バイアスの表現について検討する。
具体的には、コンピュータサイエンスの学生や教師、データサイエンス、工学、社会科学、デジタルの人文科学など、MLコースの学生の約3分の1が、ベースレートの無視バイアスによりMLアルゴリズムのパフォーマンスを正しく評価できないことを示す。
この失敗率は、教育者に警告し、MLアルゴリズムのパフォーマンスを教えるための新しい教育手法の開発を促進するべきである。
関連論文リスト
- Coupling Machine Learning with Ontology for Robotics Applications [0.0]
動的シナリオにおける事前知識の可用性の欠如は、間違いなくスケーラブルなマシンインテリジェンスにとって大きな障壁である。
二つの階層間の相互作用についての私の見解は、知識が知識ベース層で容易に利用できない場合、他の階層からより多くの知識を抽出できるという考えに基づいている。
論文 参考訳（メタデータ） (2024-06-08T23:38:03Z) - Soft Reasoning on Uncertain Knowledge Graphs [85.1968214421899]
本研究では,ソフト制約プログラミングの確立を動機とした,不確実な知識に対するソフトクエリの設定について検討する。
本稿では,大規模,不完全,不確実な知識グラフ上でのソフトクエリに応答する,前方推論と後方校正を併用したMLベースのアプローチを提案する。
論文 参考訳（メタデータ） (2024-03-03T13:13:53Z) - Measuring, Interpreting, and Improving Fairness of Algorithms using
Causal Inference and Randomized Experiments [8.62694928567939]
本稿では,アルゴリズム決定の公平性を測り,解釈し,改善するためのMIIFフレームワークを提案する。
ランダム化実験を用いてアルゴリズムバイアスを測定し, 異なる処理, 異なる影響, 経済的価値の同時測定を可能にする。
また、ブラックボックスアルゴリズムの信念を正確に解釈し、蒸留する、説明可能な機械学習モデルを開発した。
論文 参考訳（メタデータ） (2023-09-04T19:45:18Z) - Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。
PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文 参考訳（メタデータ） (2023-08-15T16:37:16Z) - (Machine) Learning to Be Like Thee? For Algorithm Education, Not
Training [0.0]
本稿では機械学習(ML)アルゴリズムを教育しなければならないことを論じる。
MLで訓練されたアルゴリズム 道徳的な決定は、人間社会においてユビキタスである。
この論文は、社会的責任のためのMLと児童教育の類推から、責任と持続可能なAI設計のための明確な方向性を提供する。
論文 参考訳（メタデータ） (2023-05-20T10:05:06Z) - Evaluation Methods and Measures for Causal Learning Algorithms [33.07234268724662]
我々は2つの基本的な因果推論タスクと因果認識機械学習タスクに焦点を当てる。
この調査は、公開可能なベンチマークの開発と、観察データによる因果学習評価のためのコンセンサス標準の策定の緊急性に先んじることを目指している。
論文 参考訳（メタデータ） (2022-02-07T00:24:34Z) - Learning Generalized Causal Structure in Time-series [0.0]
我々は最近提案された「ニューロカオス」特徴学習技術(ChaosFEX特徴抽出器)に基づく機械学習パイプラインを開発する。
本研究では,最近提案された'neurochaos'特徴学習技術(ChaosFEX特徴抽出器)に基づく機械学習パイプラインを開発する。
論文 参考訳（メタデータ） (2021-12-06T14:48:13Z) - Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。
また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
論文 参考訳（メタデータ） (2021-11-28T14:24:52Z) - Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
データセットバイアスは、機械学習における不公平な原因の1つです。
不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。
また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
論文 参考訳（メタデータ） (2021-04-14T14:20:22Z) - Constrained Learning with Non-Convex Losses [119.8736858597118]
学習は現代の情報処理の中核技術になっているが、バイアス、安全でない、偏見のあるソリューションにつながるという証拠はたくさんある。
論文 参考訳（メタデータ） (2021-03-08T23:10:33Z) - Vulnerability Under Adversarial Machine Learning: Bias or Variance? [77.30759061082085]
本研究では,機械学習が訓練された深層ニューラルネットワークのバイアスと分散に与える影響について検討する。
我々の分析は、ディープニューラルネットワークが対向的摂動下で性能が劣っている理由に光を当てている。
本稿では,計算処理の複雑さをよく知られた機械学習手法よりも低く抑えた,新しい逆機械学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-08-01T00:58:54Z)
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。