論文の概要: An XAI Social Media Platform for Teaching K-12 Students AI-Driven Profiling, Clustering, and Engagement-Based Recommending
- arxiv url: http://arxiv.org/abs/2412.13554v1
- Date: Wed, 18 Dec 2024 07:10:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-19 16:48:41.443912
- Title: An XAI Social Media Platform for Teaching K-12 Students AI-Driven Profiling, Clustering, and Engagement-Based Recommending
- Title（参考訳）: K-12学生にAIによるプロファイリング、クラスタリング、エンゲージメントに基づくリコメンデーションを教えるためのXAIソーシャルメディアプラットフォーム
- Authors: Nicolas Pope, Juho Kahila, Henriikka Vartiainen, Mohammed Saqr, Sonsoles Lopez-Pernas, Teemu Roos, Jari Laru, Matti Tedre,
- Abstract要約: 本稿では,K-12教室,特に4～9年生を対象とした説明可能なAI(XAI)教育ツールを提案する。
このツールは、4つのAIとデータ駆動のコアコンセプトに焦点を当てた、ソーシャルメディアプラットフォームの背後にある基本的なプロセスの介入のために設計された。
Instagramのようなインターフェースと、データ駆動プロセスを説明するためのモニタリングツールによって、これらの複雑なアイデアはアクセス可能になり、若い学習者にとって魅力的なものになる。
- 参考スコア（独自算出の注目度）: 2.330525154053793
- License:
- Abstract: This paper, submitted to the special track on resources for teaching AI in K-12, presents an explainable AI (XAI) education tool designed for K-12 classrooms, particularly for students in grades 4-9. The tool was designed for interventions on the fundamental processes behind social media platforms, focusing on four AI- and data-driven core concepts: data collection, user profiling, engagement metrics, and recommendation algorithms. An Instagram-like interface and a monitoring tool for explaining the data-driven processes make these complex ideas accessible and engaging for young learners. The tool provides hands-on experiments and real-time visualizations, illustrating how user actions influence both their personal experience on the platform and the experience of others. This approach seeks to enhance learners' data agency, AI literacy, and sensitivity to AI ethics. The paper includes a case example from 12 two-hour test sessions involving 209 children, using learning analytics to demonstrate how they navigated their social media feeds and the browsing patterns that emerged.
- Abstract（参考訳）: 本論文は、K-12におけるAI教育のための特別コースに提出され、特に4～9年生を対象に、K-12教室向けに設計された説明可能なAI(XAI)教育ツールを提示する。
このツールは、データ収集、ユーザプロファイリング、エンゲージメントメトリクス、レコメンデーションアルゴリズムという、4つのAIとデータ駆動のコアコンセプトに焦点を当てた、ソーシャルメディアプラットフォームの背後にある基本的なプロセスの介入のために設計された。
Instagramのようなインターフェースと、データ駆動プロセスを説明するためのモニタリングツールによって、これらの複雑なアイデアはアクセス可能になり、若い学習者にとって魅力的なものになる。
このツールは、ハンズオン実験とリアルタイムの視覚化を提供し、ユーザーアクションがプラットフォーム上での個人的な経験と、他者の体験の両方にどのように影響するかを説明する。
このアプローチは、学習者のデータエージェンシー、AIリテラシー、AI倫理に対する感受性を高めることを目指している。
本稿は、学習分析を用いて、ソーシャルメディアフィードと出現したブラウジングパターンをどのようにナビゲートしたかを実証する、209人の子供を含む12の2時間テストセッションの事例を含む。
関連論文リスト
- An Educational Tool for Learning about Social Media Tracking, Profiling,
and Recommendation [2.7049879606434013]
本稿では,説明可能なAI(XAI)に基づく授業用ツールを提案する。
初級の学習者のために、トラッキング、プロファイリング、コンテンツレコメンデーションといった重要なソーシャルメディアメカニズムをデミストするように設計されている。
論文 参考訳（メタデータ） (2024-02-02T13:34:44Z) - Revisiting Self-supervised Learning of Speech Representation from a
Mutual Information Perspective [68.20531518525273]
我々は、情報理論の観点から、既存の自己教師型音声の手法を詳しく検討する。
我々は線形プローブを用いて、対象情報と学習された表現の間の相互情報を推定する。
我々は、ラベルを使わずに、データの異なる部分間の相互情報を見積もる自己教師型の表現を評価する可能性を探る。
論文 参考訳（メタデータ） (2024-01-16T21:13:22Z) - How do machines learn? Evaluating the AIcon2abs method [0.0]
本研究は,AIcon2abs法(コンクリートから抽象へのAI:人工知能を一般大衆に普及させるAI)の評価を目的とした先行研究の拡大である。
このアプローチでは、単純さとユーザアクセシビリティで知られている、ウェイトレスニューラルネットワークであるWiSARDアルゴリズムを採用している。
WiSARDはインターネットを必要とせず、技術的でないユーザーやリソースに制限のある環境に最適である。
論文 参考訳（メタデータ） (2024-01-14T22:40:58Z) - A Toolbox for Modelling Engagement with Educational Videos [21.639063299289607]
この作業では、データセットとオンライン学習者の状態モデルを含むPEEKCデータセットとTrueLearn Pythonライブラリを提示する。
このデータセットには、AI関連の教育ビデオが多数含まれており、AI固有の教育レコメンデーションの構築と検証に関心がある。
論文 参考訳（メタデータ） (2023-12-30T21:10:55Z) - Empowering Private Tutoring by Chaining Large Language Models [87.76985829144834]
本研究は,最先端の大規模言語モデル(LLM)を活用した,本格的な知的チューリングシステムの開発を探求する。
このシステムは、相互に接続された3つのコアプロセス(相互作用、反射、反応)に分けられる。
各プロセスは LLM ベースのツールと動的に更新されたメモリモジュールによって実装される。
論文 参考訳（メタデータ） (2023-09-15T02:42:03Z) - ActiveAI: Introducing AI Literacy for Middle School Learners with
Goal-based Scenario Learning [0.0]
ActiveAIプロジェクトは、小学校7～9年生のAI教育における重要な課題に対処する。
このアプリには、スライダー、ステッパー、コレクタなど、さまざまな学習者インプットが組み込まれており、理解を深めている。
このプロジェクトは、現在実装段階にあり、アプリ開発にインテリジェントなチューター設計原則を活用している。
論文 参考訳（メタデータ） (2023-08-21T11:43:43Z) - Motivating Learners in Multi-Orchestrator Mobile Edge Learning: A
Stackelberg Game Approach [54.28419430315478]
Mobile Edge Learningは、異種エッジデバイス上で機械学習モデルの分散トレーニングを可能にする。
MELでは、十分なトレーニングデータやコンピューティングリソースを入手することなく、トレーニング性能が低下する。
そこで我々は2ラウンドのStackelbergゲームとしてオーケストレータとラーナーの相互作用を定式化するインセンティブ機構を提案する。
論文 参考訳（メタデータ） (2021-09-25T17:27:48Z) - AI Explainability 360: Impact and Design [120.95633114160688]
2019年、私たちはAI Explainability 360(Arya et al. 2020)を開発しました。
本稿では,いくつかのケーススタディ,統計,コミュニティフィードバックを用いて,ツールキットが与える影響について検討する。
また,ツールキットのフレキシブルな設計,使用例,利用者が利用可能な教育資料や資料についても述べる。
論文 参考訳（メタデータ） (2021-09-24T19:17:09Z) - Demonstrating REACT: a Real-time Educational AI-powered Classroom Tool [0.9899017174990579]
本稿では,教育者の意思決定プロセスを支援するために,EDM技術を用いたリアルタイムAIを活用した新しい教室ツールを提案する。
ReACTは、ユーザフレンドリなグラフィカルインターフェースを備えたデータ駆動ツールである。
学生のパフォーマンスデータを分析し、コンテキストベースのアラートとコースプランニングのための教育者へのレコメンデーションを提供する。
論文 参考訳（メタデータ） (2021-07-30T03:09:59Z) - 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) - Explainable Active Learning (XAL): An Empirical Study of How Local
Explanations Impact Annotator Experience [76.9910678786031]
本稿では、最近急増している説明可能なAI(XAI)のテクニックをアクティブラーニング環境に導入することにより、説明可能なアクティブラーニング(XAL)の新たなパラダイムを提案する。
本研究は,機械教育のインタフェースとしてのAI説明の利点として,信頼度校正を支援し,リッチな形式の教示フィードバックを可能にすること,モデル判断と認知作業負荷による潜在的な欠点を克服する効果を示す。
論文 参考訳（メタデータ） (2020-01-24T22:52:18Z)
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。