論文の概要: Advancing a Model of Students' Intentional Persistence in Machine Learning and Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2311.10744v1
• Date: Mon, 30 Oct 2023 19:57:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-27 00:44:27.814688
• Title: Advancing a Model of Students' Intentional Persistence in Machine Learning and Artificial Intelligence
• Title（参考訳）: 機械学習と人工知能における学生の意図的持続性モデルの構築
• Authors: Sharon Ferguson, Katherine Mao, James Magarian, Alison Olechowski
• Abstract要約: 多様な集団の持続性は工学で研究されている。 短期的な意図的持続性は、専攻やレベルの研究のような学術的入学要因と関連付けられている。 長期的持続性は、職業的役割の信頼性の尺度と相関する。
• 参考スコア（独自算出の注目度）: 0.9217021281095907
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Machine Learning (ML) and Artificial Intelligence (AI) are powering the applications we use, the decisions we make, and the decisions made about us. We have seen numerous examples of non-equitable outcomes, from facial recognition algorithms to recidivism algorithms, when they are designed without diversity in mind. Thus, we must take action to promote diversity among those in this field. A critical step in this work is understanding why some students who choose to study ML/AI later leave the field. While the persistence of diverse populations has been studied in engineering, there is a lack of research investigating factors that influence persistence in ML/AI. In this work, we present the advancement of a model of intentional persistence in ML/AI by surveying students in ML/AI courses. We examine persistence across demographic groups, such as gender, international student status, student loan status, and visible minority status. We investigate independent variables that distinguish ML/AI from other STEM fields, such as the varying emphasis on non-technical skills, the ambiguous ethical implications of the work, and the highly competitive and lucrative nature of the field. Our findings suggest that short-term intentional persistence is associated with academic enrollment factors such as major and level of study. Long-term intentional persistence is correlated with measures of professional role confidence. Unique to our study, we show that wanting your work to have a positive social benefit is a negative predictor of long-term intentional persistence, and women generally care more about this. We provide recommendations to educators to meaningfully discuss ML/AI ethics in classes and encourage the development of interpersonal skills to help increase diversity in the field.
• Abstract（参考訳）: 機械学習(ML)と人工知能(AI)は、私たちが使用しているアプリケーション、意思決定、そして私たちに関する決定を支えています。 多様性を念頭に設計する際,顔認識アルゴリズムから復習アルゴリズムに至るまで,不平等な結果の例を数多く見てきた。 したがって、この分野における多様性を促進するための行動をとる必要がある。 この研究における重要なステップは、ML/AIを学ぶことを選んだ一部の学生が後に現場を離れる理由を理解することである。 多様な集団の持続性は工学的に研究されているが、ML/AIの持続性に影響を与える要因を研究する研究は乏しい。 本研究では,ML/AIコースの学生を対象に,ML/AIにおける意図的永続性モデルの構築について述べる。 性別,国際学生状況,学生ローン状況,可視的マイノリティ状態などの集団間の持続性について検討した。 我々は、ml/aiを他のstem分野と区別する独立した変数、例えば、非技術スキルに対する様々な重点、仕事の曖昧な倫理的意味、そしてこの分野の競争的で収益性の高い性質について検討する。 以上より,短期的意図的持続性は,学術的入学要因に関連していると考えられた。 長期的持続性は、職業的役割の信頼性の尺度と相関する。 私たちの研究に特有ののは、自分の仕事をポジティブな社会的利益にしたいというのは、長期的な意図的な持続性の負の予測要因であるということです。 我々は,学級におけるML/AI倫理を有意義に議論し,分野の多様性を高めるために対人スキルの発達を促すことを教育者に勧める。

関連論文リスト

• Causal Feature Selection for Responsible Machine Learning [14.082894268627124]
  責任ある機械学習の必要性が生まれ、倫理的および社会的価値にMLモデルを整合させることに焦点が当てられている。 この調査は、解釈可能性、公正性、敵の一般化、ドメインの堅牢性という4つの主要な問題に対処する。
  論文  参考訳（メタデータ） (2024-02-05T03:20:28Z)
• "Just a little bit on the outside for the whole time": Social belonging confidence and the persistence of Machine Learning and Artificial Intelligence students [0.9217021281095907]
  機械学習(ML)と人工知能(AI)の成長分野は、永続化研究においてユニークで未調査なケースを提示している。 我々はこの分野での持続性の最初の理解を得るために探索的研究を行う。 学生が社会的帰属によって動機づけられることと、密接なメンターシップの重要性の相違について論じる。
  論文  参考訳（メタデータ） (2023-10-30T19:59:38Z)
• Towards Fair and Explainable AI using a Human-Centered AI Approach [5.888646114353372]
  分類システムと単語埋め込みにおける説明可能性と公平性の向上を目的とした5つの研究プロジェクトについて述べる。 最初のプロジェクトは、ローカルモデル説明を機械教師のインタフェースとして導入するユーティリティ/ダウンサイドについて検討する。 第二のプロジェクトは、因果性に基づくヒューマン・イン・ザ・ループ視覚ツールであるD-BIASを紹介し、データセットの社会的バイアスを特定し緩和する。 第3のプロジェクトは、グループに対するバイアスに対するトレーニング済みの静的単語埋め込みの監査を支援する、ビジュアルインタラクティブツールであるWordBiasを提示する。 4番目のプロジェクトは、ソーシャルを識別するビジュアル分析ツールDramatVis Personae
  論文  参考訳（メタデータ） (2023-06-12T21:08:55Z)
• Do Large Language Models Know What They Don't Know? [74.65014158544011]
  大規模言語モデル(LLM)は、様々な自然言語処理(NLP)タスクに優れた知識を持つ。 膨大な知識にもかかわらず、LLMはそれらが適合し理解できる情報の量によって制限されている。 本研究の目的は,LLMの自己理解能力を評価することである。
  論文  参考訳（メタデータ） (2023-05-29T15:30:13Z)
• Machine Psychology [54.287802134327485]
  我々は、心理学にインスパイアされた行動実験において、研究のための実りある方向が、大きな言語モデルに係わっていると論じる。 本稿では,本手法が表に示す理論的視点,実験パラダイム,計算解析技術について述べる。 これは、パフォーマンスベンチマークを超えた、生成人工知能(AI)のための「機械心理学」の道を開くものだ。
  論文  参考訳（メタデータ） (2023-03-24T13:24:41Z)
• Fairness and Bias in Robot Learning [7.517692820105885]
  本稿では,技術的,倫理的,法的課題にまたがる学際的な観点から,ロボット学習における公正性に関する最初の調査を紹介する。 偏見の源泉とその原因となる差別の分類法を提案する。 本稿では,公平性の定義,倫理的・法的考察,公平なロボット学習の方法などについて述べる。
  論文  参考訳（メタデータ） (2022-07-07T17:20:15Z)
• WenLan 2.0: Make AI Imagine via a Multimodal Foundation Model [74.4875156387271]
  我々は,膨大なマルチモーダル(視覚的・テキスト的)データを事前学習した新しい基礎モデルを開発する。 そこで本研究では,様々な下流タスクにおいて,最先端の成果が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-27T12:25:21Z)
• Building Bridges: Generative Artworks to Explore AI Ethics [56.058588908294446]
  近年,人工知能(AI)技術が社会に与える影響の理解と緩和に重点が置かれている。 倫理的AIシステムの設計における重要な課題は、AIパイプラインには複数の利害関係者があり、それぞれがそれぞれ独自の制約と関心を持っていることだ。 このポジションペーパーは、生成的アートワークが、アクセス可能で強力な教育ツールとして機能することで、この役割を果たすことができる可能性のいくつかを概説する。
  論文  参考訳（メタデータ） (2021-06-25T22:31:55Z)
• 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)
• No computation without representation: Avoiding data and algorithm biases through diversity [11.12971845021808]
  学術的および専門的なコンピューティング分野における多様性の欠如と、データセットで発生するバイアスのタイプと幅の関連性を引き合いに出す。 これらの教訓を利用して、コンピューティングコミュニティが多様性を高めるための具体的なステップを提供するレコメンデーションを開発する。
  論文  参考訳（メタデータ） (2020-02-26T23:07:39Z)

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。