論文の概要: Practical and Ethical Challenges of Large Language Models in Education:
A Systematic Scoping Review
- arxiv url: http://arxiv.org/abs/2303.13379v2
- Date: Sat, 22 Jul 2023 15:26:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 23:33:44.120418
- Title: Practical and Ethical Challenges of Large Language Models in Education:
A Systematic Scoping Review
- Title（参考訳）: 教育における大規模言語モデルの実践的・倫理的課題:システマティック・スコープ・レビュー
- Authors: Lixiang Yan, Lele Sha, Linxuan Zhao, Yuheng Li, Roberto
Martinez-Maldonado, Guanliang Chen, Xinyu Li, Yueqiao Jin and Dragan
Ga\v{s}evi\'c
- Abstract要約: 大規模言語モデル(LLM)は、テキストコンテンツの生成と分析の面倒なプロセスを自動化する可能性がある。
これらの革新の実践性と倫理性には懸念がある。
我々は2017年以降に発行された118件の査読論文の体系的スコーピングレビューを行い、研究の現状を明らかにした。
- 参考スコア（独自算出の注目度）: 5.329514340780243
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Educational technology innovations leveraging large language models (LLMs)
have shown the potential to automate the laborious process of generating and
analysing textual content. While various innovations have been developed to
automate a range of educational tasks (e.g., question generation, feedback
provision, and essay grading), there are concerns regarding the practicality
and ethicality of these innovations. Such concerns may hinder future research
and the adoption of LLMs-based innovations in authentic educational contexts.
To address this, we conducted a systematic scoping review of 118 peer-reviewed
papers published since 2017 to pinpoint the current state of research on using
LLMs to automate and support educational tasks. The findings revealed 53 use
cases for LLMs in automating education tasks, categorised into nine main
categories: profiling/labelling, detection, grading, teaching support,
prediction, knowledge representation, feedback, content generation, and
recommendation. Additionally, we also identified several practical and ethical
challenges, including low technological readiness, lack of replicability and
transparency, and insufficient privacy and beneficence considerations. The
findings were summarised into three recommendations for future studies,
including updating existing innovations with state-of-the-art models (e.g.,
GPT-3/4), embracing the initiative of open-sourcing models/systems, and
adopting a human-centred approach throughout the developmental process. As the
intersection of AI and education is continuously evolving, the findings of this
study can serve as an essential reference point for researchers, allowing them
to leverage the strengths, learn from the limitations, and uncover potential
research opportunities enabled by ChatGPT and other generative AI models.
- Abstract（参考訳）: 大規模言語モデル(LLM)を活用した教育技術革新は、テキストコンテンツの生成と分析の面倒なプロセスを自動化する可能性を示している。
様々なイノベーションが様々な教育タスク(質問生成、フィードバック提供、エッセイ等)を自動化するために開発されているが、これらのイノベーションの実践性と倫理性には懸念がある。
このような懸念は、将来の研究を妨げ、本物の教育分野におけるllmsベースのイノベーションの導入を妨げる可能性がある。
そこで本研究では,2017年以降に発行された118のピアレビュー論文を体系的にスコーピングし,教育タスクの自動化と支援にllmを用いた研究の現状を明らかにする。
その結果,学習タスクの自動化におけるLLMのユースケースは,プロファイリング/ラベリング,検出,グレーディング,指導支援,予測,知識表現,フィードバック,コンテンツ生成,レコメンデーションの9つに分類された。
さらに,技術的準備の低さ,再現性と透明性の欠如,プライバシの不足や便宜上の配慮など,実践的かつ倫理的な課題についても検討した。
この結果は、最先端のモデル(GPT-3/4など)による既存のイノベーションの更新、オープンソースモデル/システムの導入、開発プロセス全体を通じて人間中心のアプローチの採用など、将来の研究のための3つの推奨事項にまとめられた。
AIと教育の交差点が継続的に進化しているため、この研究の発見は研究者にとって不可欠な基準点となり、強みを活用し、限界から学び、ChatGPTや他の生成AIモデルによって実現される潜在的研究機会を明らかにすることができる。
関連論文リスト
- Large Language Model for Qualitative Research -- A Systematic Mapping Study [3.302912592091359]
先進的な生成AIを駆使した大規模言語モデル(LLM)がトランスフォーメーションツールとして登場した。
本研究は, LLMを用いた定性的研究に関する文献を体系的にマッピングする。
LLMは様々な分野にまたがって利用されており、プロセスの自動化の可能性を示している。
論文 参考訳（メタデータ） (2024-11-18T21:28:00Z) - The Future of Learning in the Age of Generative AI: Automated Question Generation and Assessment with Large Language Models [0.0]
大規模言語モデル(LLM)と生成AIは、自然言語処理(NLP)に革命をもたらした。
本章では,自動質問生成と回答評価におけるLLMの変容の可能性について考察する。
論文 参考訳（メタデータ） (2024-10-12T15:54:53Z) - From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents [78.15899922698631]
MAIC(Massive AI-empowered Course)は、LLM駆動のマルチエージェントシステムを活用して、AIが強化された教室を構築するオンライン教育の新たな形態である。
中国一の大学である清華大学で予備的な実験を行う。
論文 参考訳（メタデータ） (2024-09-05T13:22:51Z) - Recent Advances in Generative AI and Large Language Models: Current Status, Challenges, and Perspectives [10.16399860867284]
生成人工知能(AI)と大規模言語モデル(LLM)の出現は、自然言語処理(NLP)の新しい時代を象徴している。
本稿では,これらの最先端技術の現状を概観し,その顕著な進歩と広範囲な応用を実証する。
論文 参考訳（メタデータ） (2024-07-20T18:48:35Z) - A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models [71.25225058845324]
大規模言語モデル(LLM)は、言語理解と生成において革命的な能力を示している。
Retrieval-Augmented Generation (RAG)は、信頼性と最新の外部知識を提供する。
RA-LLMは、モデルの内部知識に頼るのではなく、外部および権威的な知識ベースを活用するために登場した。
論文 参考訳（メタデータ） (2024-05-10T02:48:45Z) - Large Language Models for Education: A Survey and Outlook [69.02214694865229]
各視点の技術的進歩を体系的にレビューし、関連するデータセットとベンチマークを整理し、教育におけるLSMの展開に伴うリスクと課題を特定する。
本調査は、LLMの力を利用して教育実践を変革し、より効果的なパーソナライズされた学習環境を育むための、教育者、研究者、政策立案者のための総合的な技術図を提供することを目的とする。
論文 参考訳（メタデータ） (2024-03-26T21:04:29Z) - Bringing Generative AI to Adaptive Learning in Education [58.690250000579496]
我々は、生成AIと適応学習の交差研究に光を当てた。
我々は、この連合が教育における次の段階の学習形式の発展に大きく貢献するだろうと論じている。
論文 参考訳（メタデータ） (2024-02-02T23:54:51Z) - Machine Unlearning: A Survey [56.79152190680552]
プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。
この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。
この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。
この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
論文 参考訳（メタデータ） (2023-06-06T10:18:36Z) - Towards Applying Powerful Large AI Models in Classroom Teaching:
Opportunities, Challenges and Prospects [5.457842083043013]
本稿では,人工知能(AI)を用いた授業実践の促進を目的とした,インタラクティブなシナリオのシリーズを提案する。
教師と学生の対話を強化し、充実させるAIの可能性を探り、教育の質を向上させる。
論文 参考訳（メタデータ） (2023-05-05T11:09:13Z) - Deep Active Learning for Computer Vision: Past and Future [50.19394935978135]
AIモデルの開発に欠かせない役割にもかかわらず、アクティブラーニングの研究は他の研究の方向性ほど集中的ではない。
データ自動化の課題に対処し、自動化された機械学習システムに対処することによって、アクティブな学習はAI技術の民主化を促進する。
論文 参考訳（メタデータ） (2022-11-27T13:07:14Z) - Semi-Supervised Learning Approach to Discover Enterprise User Insights
from Feedback and Support [9.66491980663996]
本稿では,Deep Learning と Topic Modeling を利用した,革新的なセミスーパーバイザラーニング手法を提案する。
このアプローチは、教師付き学習と新しい確率的・セマンティックハイブリッドトピック推論(PSHTI)モデルを組み合わせたBERTベースのマルチクラス化アルゴリズムである。
本システムは,Webクローリングを通じて製品に関するドメイン知識を活用することで,トップワードを自己ヘルプ問題にマッピングすることを可能にする。
論文 参考訳（メタデータ） (2020-07-18T01:18:00Z)
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。