論文の概要: FATE in MMLA: A Student-Centred Exploration of Fairness, Accountability,
Transparency, and Ethics in Multimodal Learning Analytics
- arxiv url: http://arxiv.org/abs/2402.19071v1
- Date: Thu, 29 Feb 2024 11:52:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-01 15:02:19.031674
- Title: FATE in MMLA: A Student-Centred Exploration of Fairness, Accountability,
Transparency, and Ethics in Multimodal Learning Analytics
- Title(参考訳): MMLAにおけるFATE:マルチモーダル学習分析における学生中心による公正性・説明責任・透明性・倫理調査
- Authors: Yueqiao Jin, Vanessa Echeverria, Lixiang Yan, Linxuan Zhao, Riordan
Alfredo, Yi-Shan Tsai, Dragan Ga\v{s}evi\'c, Roberto Martinez-Maldonado
- Abstract要約: 本研究は,MMLAビジュアライゼーションを用いて,学生の公正さ,説明責任,透明性,倫理(FATE)を評価した。
発見は、視覚的公正性を保証するために、正確で包括的なデータ表現の重要性を強調した。
学生は倫理的配慮の重要性も強調し、FATE問題を積極的に調査し対処するためにLAとMMLAのコミュニティに圧力をかける必要性を強調している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multimodal Learning Analytics (MMLA) integrates novel sensing technologies
and artificial intelligence algorithms, providing opportunities to enhance
student reflection during complex, collaborative learning experiences. Although
recent advancements in MMLA have shown its capability to generate insights into
diverse learning behaviours across various learning settings, little research
has been conducted to evaluate these systems in authentic learning contexts,
particularly regarding students' perceived fairness, accountability,
transparency, and ethics (FATE). Understanding these perceptions is essential
to using MMLA effectively without introducing ethical complications or
negatively affecting how students learn. This study aimed to address this gap
by assessing the FATE of MMLA in an authentic, collaborative learning context.
We conducted semi-structured interviews with 14 undergraduate students who used
MMLA visualisations for post-activity reflection. The findings highlighted the
significance of accurate and comprehensive data representation to ensure
visualisation fairness, the need for different levels of data access to foster
accountability, the imperative of measuring and cultivating transparency with
students, and the necessity of transforming informed consent from dichotomous
to continuous and measurable scales. While students value the benefits of MMLA,
they also emphasise the importance of ethical considerations, highlighting a
pressing need for the LA and MMLA community to investigate and address FATE
issues actively.
- Abstract(参考訳): MMLA(Multimodal Learning Analytics)は、新しいセンシング技術と人工知能アルゴリズムを統合し、複雑で協調的な学習経験において学生の反射を高める機会を提供する。
MMLAの最近の進歩は、様々な学習環境における多様な学習行動に関する洞察を生み出す能力を示しているが、学生の認識公正性、説明責任、透明性、倫理(FATE)に関して、これらのシステムを真に学習の文脈で評価する研究はほとんど行われていない。
これらの認識を理解することは、mmlaを効果的に使用するために、倫理的な合併症や学生の学習方法に悪影響を及ぼすことなく必要不可欠である。
本研究は,MMLAのFATEを真に協調的な学習コンテキストで評価することにより,このギャップに対処することを目的とした。
MMLAヴィジュアライゼーションをポストアクティブリフレクションに用いた14人の大学生を対象に半構造化面接を行った。
その結果,視覚的公正性を確保するための正確かつ包括的なデータ表現の重要性,説明責任を育むためのデータアクセスのレベルの違いの必要性,学生との透明性の測定・育成の規範,ディコトコスから連続的かつ測定可能な尺度への情報同意の転換の必要性が明らかになった。
学生はMMLAの利点を尊重する一方で、倫理的考察の重要性を強調し、FATE問題を積極的に調査し対処するために、LAとMMLAコミュニティが強く求めていることを強調する。
関連論文リスト
- Facial Affective Behavior Analysis with Instruction Tuning [58.332959295770614]
顔の感情行動分析(FABA)は、画像から人間の精神状態を理解するために重要である。
従来のアプローチでは、主に個別の感情カテゴリーを識別するためのモデルをデプロイし、複雑な顔の振る舞いに対する細かい粒度と推論能力が欠如している。
本稿では,2つのFABAタスクに対する指示追従データセット,感情と行動の単位認識,および認識能力と生成能力の両方を考慮したベンチマークFABA-Benchを紹介する。
また,顔構造知識と低ランク適応モジュールを事前学習MLLMに導入した。
論文 参考訳(メタデータ) (2024-04-07T19:23:28Z) - Informed Meta-Learning [55.2480439325792]
メタラーニングとインシデントMLは、事前知識をMLパイプラインに組み込むための2つのアプローチとして際立っている。
本稿では,タスク間の知識共有の相補性を求める,メタラーニングのための新しいハイブリッドパラダイムを提案する。
観測騒音に対するデータ効率とロバスト性を改善する上で,情報メタラーニングの潜在的な利点を実証する。
論文 参考訳(メタデータ) (2024-02-25T15:08:37Z) - Rethinking Machine Unlearning for Large Language Models [87.85043572895296]
大規模言語モデル(LLM)の領域における機械学習の研究
このイニシアチブは、望ましくないデータの影響(機密情報や違法情報など)と関連するモデル機能を排除することを目的としている。
論文 参考訳(メタデータ) (2024-02-13T20:51:58Z) - Taking the Next Step with Generative Artificial Intelligence: The
Transformative Role of Multimodal Large Language Models in Science Education [14.679589098673416]
MLLM(Multimodal Large Language Models)は、テキスト、音声、視覚入力を含むマルチモーダルデータを処理できる。
本稿では,科学教育の中心的な側面におけるMLLMの変革的役割について,模範的な革新的な学習シナリオを提示することによって考察する。
論文 参考訳(メタデータ) (2024-01-01T18:11:43Z) - Is a Seat at the Table Enough? Engaging Teachers and Students in Dataset
Specification for ML in Education [28.899007394121416]
教育におけるMLの約束にもかかわらず、その採用は公平性、説明責任、透明性に関する多くの問題に直面している。
これらの問題の根本原因は、教育の複雑なダイナミクスの理解の欠如である。
論文 参考訳(メタデータ) (2023-11-09T23:51:08Z) - EpiK-Eval: Evaluation for Language Models as Epistemic Models [16.485951373967502]
セグメンテッドな物語から一貫した知識表現を定式化する上で,LLMの習熟度を評価するための新しい質問答えベンチマークであるEpiK-Evalを紹介する。
これらの欠点は、一般的な訓練目的の本質的な性質に起因していると論じる。
本研究の成果は,より堅牢で信頼性の高いLCMを開発する上での洞察を与えるものである。
論文 参考訳(メタデータ) (2023-10-23T21:15:54Z) - 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) - Context-faithful Prompting for Large Language Models [51.194410884263135]
大言語モデル(LLM)は世界事実に関するパラメトリック知識を符号化する。
パラメトリック知識への依存は、文脈的手がかりを見落とし、文脈に敏感なNLPタスクにおいて誤った予測をもたらす可能性がある。
我々は, LLMの文脈的忠実度を, 知識の衝突と, 棄権による予測の2つの側面で評価し, 向上する。
論文 参考訳(メタデータ) (2023-03-20T17:54:58Z) - 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) - Which Mutual-Information Representation Learning Objectives are
Sufficient for Control? [80.2534918595143]
相互情報は、データの表現を学習するために魅力的な形式を提供する。
本稿では,最適政策の学習と表現のための状態表現の十分性について定式化する。
意外なことに、これらの2つの目的は、MDPの構造に関する軽度で一般的な仮定を前提に、不十分な表現をもたらす可能性がある。
論文 参考訳(メタデータ) (2021-06-14T10:12:34Z)
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。