論文の概要: Not Just Training, Also Testing: High School Youths' Perspective-Taking
through Peer Testing Machine Learning-Powered Applications
- arxiv url: http://arxiv.org/abs/2311.12733v1
- Date: Tue, 21 Nov 2023 17:15:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-22 23:37:08.682196
- Title: Not Just Training, Also Testing: High School Youths' Perspective-Taking
through Peer Testing Machine Learning-Powered Applications
- Title（参考訳）: 単にトレーニングだけでなく、テストも: ピアテスティング 機械学習駆動アプリケーションによる高校生の視点調整
- Authors: L. Morales-Navarro, M. Shah, Y. B. Kafai
- Abstract要約: 機械学習アプリケーションのテストは、アプリケーションの作者が障害やエッジケースを特定し、対処するのに役立ちます。
我々は、11人の高校生が物理コンピューティングプロジェクトを作った2週間のワークショップで収集したワークシート、オーディオ、ビデオの録音テストを分析した。
その結果、ピアテストの若者は、トレーニングデータセットのサイズ、トレーニングデータの多様性、クラスの設計、トレーニングデータを生成するコンテキストに反映していることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Most attention in K-12 artificial intelligence and machine learning (AI/ML)
education has been given to having youths train models, with much less
attention to the equally important testing of models when creating machine
learning applications. Testing ML applications allows for the evaluation of
models against predictions and can help creators of applications identify and
address failure and edge cases that could negatively impact user experiences.
We investigate how testing each other's projects supported youths to take
perspective about functionality, performance, and potential issues in their own
projects. We analyzed testing worksheets, audio and video recordings collected
during a two week workshop in which 11 high school youths created physical
computing projects that included (audio, pose, and image) ML classifiers. We
found that through peer-testing youths reflected on the size of their training
datasets, the diversity of their training data, the design of their classes and
the contexts in which they produced training data. We discuss future directions
for research on peer-testing in AI/ML education and current limitations for
these kinds of activities.
- Abstract（参考訳）: K-12人工知能と機械学習(AI/ML)教育で最も注目されているのは、若者がモデルを訓練することであり、機械学習アプリケーションを作成する際にも、モデルが同様に重要なテストに注目されることははるかに少ない。
MLアプリケーションのテストは、予測に対するモデルの評価を可能にし、アプリケーションのクリエータがユーザエクスペリエンスに悪影響を及ぼす可能性のある障害やエッジケースを特定し、対処するのに役立つ。
それぞれのプロジェクトの機能やパフォーマンス,潜在的な問題について,青少年を視点として,相互にテストする方法を検討する。
2週間のワークショップで収集されたワークシート、音声、ビデオの録音テストを分析し、11人の高校生が(音声、ポーズ、画像)ML分類器を含む物理コンピューティングプロジェクトを作成した。
その結果、ピアテストの若者は、トレーニングデータセットのサイズ、トレーニングデータの多様性、クラスの設計、トレーニングデータを生成するコンテキストに反映していることがわかった。
本稿では,AI/ML教育におけるピアテスト研究の今後の方向性と,このような活動の限界について論じる。
関連論文リスト
- LLMs Integration in Software Engineering Team Projects: Roles, Impact, and a Pedagogical Design Space for AI Tools in Computing Education [7.058964784190549]
この作業では、ChatGPTやGitHub Copilotなど、生成AI(GenAI)モデルとツールの影響を、教育的なレンズで調査する。
我々の結果は、チームワーク、チーム効率、チームダイナミクスにおけるGenAIの役割と意味を理解する上での特別なギャップに対処します。
論文 参考訳（メタデータ） (2024-10-30T14:43:33Z) - Detecting Unsuccessful Students in Cybersecurity Exercises in Two Different Learning Environments [0.37729165787434493]
本稿では,学生の難易度を予測するための自動ツールを開発する。
潜在的な応用として、このようなモデルは、苦労している生徒を検知し、目標とする支援を提供するインストラクターを助けることができる。
論文 参考訳（メタデータ） (2024-08-16T04:57:54Z) - Youth as Peer Auditors: Engaging Teenagers with Algorithm Auditing of Machine Learning Applications [0.44998333629984877]
本稿では、若年層を機械学習(ML)を利用したアプリケーションの監査者として位置づける。
2週間のワークショップで、13人の若者(14～15歳)がMLベースのアプリケーションを設計し、監査した。
論文 参考訳（メタデータ） (2024-04-08T21:15:26Z) - Investigating Youths' Everyday Understanding of Machine Learning Applications: a Knowledge-in-Pieces Perspective [0.0]
K-12教育に人工知能を取り入れようという近年の要求にもかかわらず、若者の機械学習(ML)に関する日々の知識を研究するのに十分な注意が払われていない。
本研究では,10代におけるMLの日常的理解について,ナレッジ・イン・ピースの観点から検討する。
分析の結果,若年者はMLアプリケーションが学習データから学習し,アプリケーションが入力データのパターンを認識し,それに応じて異なる出力を提供するという理解を示した。
論文 参考訳（メタデータ） (2024-03-31T16:11:33Z) - SecurityNet: Assessing Machine Learning Vulnerabilities on Public Models [74.58014281829946]
本研究では, モデル盗難攻撃, メンバーシップ推論攻撃, パブリックモデルにおけるバックドア検出など, いくつかの代表的な攻撃・防御の有効性を解析する。
実験により,これらの攻撃・防御性能は,自己学習モデルと比較して,公共モデルによって大きく異なることが示された。
論文 参考訳（メタデータ） (2023-10-19T11:49:22Z) - Responsible Active Learning via Human-in-the-loop Peer Study [88.01358655203441]
我々は,データプライバシを同時に保持し,モデルの安定性を向上させるために,Pear Study Learning (PSL) と呼ばれる責任あるアクティブラーニング手法を提案する。
まず,クラウドサイドのタスク学習者(教師)から未学習データを分離する。
トレーニング中、タスク学習者は軽量なアクティブ学習者に指示し、アクティブサンプリング基準に対するフィードバックを提供する。
論文 参考訳（メタデータ） (2022-11-24T13:18:27Z) - A Survey of Machine Unlearning [56.017968863854186]
最近の規制では、要求に応じて、ユーザに関する個人情報をコンピュータシステムから削除する必要がある。
MLモデルは古いデータをよく記憶します。
機械学習に関する最近の研究は、この問題を完全に解決することはできなかった。
論文 参考訳（メタデータ） (2022-09-06T08:51:53Z) - Exploring Machine Teaching with Children [9.212643929029403]
反復的な機械学習モデルの構築とテストは、子どもたちが機械学習や人工知能を使って創造性、柔軟性、快適さを育むのに役立つ。
子どもたちは、14人の子ども(7～13歳)と大人の共設計者で、機械教育のインターフェイスをどのように使うかを探る。
論文 参考訳（メタデータ） (2021-09-23T15:18:53Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳（メタデータ） (2021-04-11T12:14:04Z) - Few-Cost Salient Object Detection with Adversarial-Paced Learning [95.0220555274653]
本稿では,少数のトレーニング画像にのみ手動アノテーションを応用して,効果的なサルエント物体検出モデルを学習することを提案する。
我々は,このタスクを,少額の有能な物体検出とみなし,少数のコストの学習シナリオを促進するために,APL(Adversarialpaced Learning)ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2021-04-05T14:15:49Z) - 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。