論文の概要: Towards Responsible and Trustworthy Educational Data Mining: Comparing Symbolic, Sub-Symbolic, and Neural-Symbolic AI Methods

• arxiv url: http://arxiv.org/abs/2504.00615v2
• Date: Fri, 11 Apr 2025 11:21:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 14:16:28.499345
• Title: Towards Responsible and Trustworthy Educational Data Mining: Comparing Symbolic, Sub-Symbolic, and Neural-Symbolic AI Methods
• Title（参考訳）: 責任と信頼できる教育データマイニングを目指して--シンボリック、サブシンボリック、ニューラルシンボリックAIの比較
• Authors: Danial Hooshyar, Eve Kikas, Yeongwook Yang, Gustav Šír, Raija Hämäläinen, Tommi Kärkkäinen, Roger Azevedo,
• Abstract要約: 本研究は、一般化可能性、解釈可能性の観点から、象徴的、サブシンボル的、ニューラルシンボル的AI(NSAI)を評価する。 エストニアの小学校学生による7年生の数学全国試験成績の予測実験
• 参考スコア（独自算出の注目度）: 2.7892842990789553
• License:
• Abstract: Given the demand for responsible and trustworthy AI for education, this study evaluates symbolic, sub-symbolic, and neural-symbolic AI (NSAI) in terms of generalizability and interpretability. Our extensive experiments on balanced and imbalanced self-regulated learning datasets of Estonian primary school students predicting 7th-grade mathematics national test performance showed that symbolic and sub-symbolic methods performed well on balanced data but struggled to identify low performers in imbalanced datasets. Interestingly, symbolic and sub-symbolic methods emphasized different factors in their decision-making: symbolic approaches primarily relied on cognitive and motivational factors, while sub-symbolic methods focused more on cognitive aspects, learnt knowledge, and the demographic variable of gender -- yet both largely overlooked metacognitive factors. The NSAI method, on the other hand, showed advantages by: (i) being more generalizable across both classes -- even in imbalanced datasets -- as its symbolic knowledge component compensated for the underrepresented class; and (ii) relying on a more integrated set of factors in its decision-making, including motivation, (meta)cognition, and learnt knowledge, thus offering a comprehensive and theoretically grounded interpretability framework. These contrasting findings highlight the need for a holistic comparison of AI methods before drawing conclusions based solely on predictive performance. They also underscore the potential of hybrid, human-centred NSAI methods to address the limitations of other AI families and move us closer to responsible AI for education. Specifically, by enabling stakeholders to contribute to AI design, NSAI aligns learned patterns with theoretical constructs, incorporates factors like motivation and metacognition, and strengthens the trustworthiness and responsibility of educational data mining.
• Abstract（参考訳）: 教育における責任と信頼を負うAIの需要を踏まえ、この研究は、一般化可能性と解釈可能性の観点から、象徴的、サブシンボル的、ニューラルシンボリックAI(NSAI)を評価する。 エストニアの初等生のバランスとバランスのとれた自己制御型学習データセットに関する広範囲な実験により、7等数学の国定成績を予測したところ、記号的および準記号的手法がバランスの取れたデータに対して良好に機能したが、バランスの取れていないデータセットの低いパフォーマーを特定するのに苦労していたことが判明した。 シンボリックアプローチは主に認知的および動機的要因に依存し、サブシンボリック手法は認知的側面、学習的知識、性別の人口変動に重点を置いていたが、どちらもほとんど見過ごされたメタ認知的要因であった。 一方、NSAI法は次のような利点を示した。 (i)不均衡なデータセットにおいても、その記号的知識成分が表現不足のクラスに補償されるため、両方のクラスにまたがってより一般化可能であること。 (二)モチベーション、(メタ)認知、知識の学習など、意思決定においてより統合された要素に頼り、包括的で理論的に根ざした解釈可能性の枠組みを提供する。 これらの対照的な発見は、予測性能のみに基づいて結論を導き出す前に、AIメソッドの全体的比較の必要性を浮き彫りにしている。 彼らはまた、他のAIファミリーの限界に対処し、教育の責任を負うAIに私たちを近づけるための、ハイブリッドで人間中心のNSAI手法の可能性を強調している。 具体的には、ステークホルダーがAI設計に貢献できるようにすることで、NSAIは学習パターンを理論的構成と整合させ、モチベーションやメタ認知などの要因を取り入れ、教育データマイニングの信頼性と責任を強化する。

関連論文リスト

• Unlocking the Potential of Generative AI through Neuro-Symbolic Architectures: Benefits and Limitations [0.7499722271664147]
  ニューロシンボリック人工知能(NSAI)は人工知能(AI)における変革的アプローチである NSAIは、大規模および非構造化データを扱うディープラーニングの能力と、シンボリックメソッドの構造的推論を組み合わせる。 本稿では、NSAIアーキテクチャを体系的に研究し、ニューラルネットワークとシンボリックコンポーネントの統合に対する独自のアプローチを強調した。
  論文  参考訳（メタデータ） (2025-02-16T21:06:33Z)
• Neurosymbolic AI for Travel Demand Prediction: Integrating Decision Tree Rules into Neural Networks [21.445133878049333]
  本研究では、決定木(DT)に基づくシンボルルールとニューラルネットワーク(NN)を統合し、旅行需要を予測するニューロシンボリック人工知能(Neurosymbolic AI)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-02T05:10:31Z)
• Converging Paradigms: The Synergy of Symbolic and Connectionist AI in LLM-Empowered Autonomous Agents [55.63497537202751]
  コネクショニストと象徴的人工知能(AI)の収束を探求する記事 従来、コネクショナリストAIはニューラルネットワークにフォーカスし、シンボリックAIはシンボリック表現とロジックを強調していた。 大型言語モデル(LLM)の最近の進歩は、人間の言語をシンボルとして扱う際のコネクショナリストアーキテクチャの可能性を強調している。
  論文  参考訳（メタデータ） (2024-07-11T14:00:53Z)
• Augmenting deep neural networks with symbolic knowledge: Towards trustworthy and interpretable AI for education [3.627954884906034]
  この研究は、AIのニューラルシンボリックなファミリーは、名前のついた課題に対処する可能性があると主張している。 ニューラルネットワークのシンボリックAIフレームワークに適応し、NSAIと呼ばれるアプローチを開発し、深層ニューラルネットワークに教育知識を注入し、抽出する。 以上の結果から,NSAIアプローチは,トレーニングデータのみに基づいてトレーニングされた深層ニューラルネットワークと比較して,より汎用性が高いことがわかった。
  論文  参考訳（メタデータ） (2023-11-01T09:38:56Z)
• Discrete, compositional, and symbolic representations through attractor dynamics [51.20712945239422]
  我々は,思考の確率的言語(PLoT)に似た認知過程をモデル化するために,アトラクタダイナミクスを記号表現と統合した新しいニューラルシステムモデルを導入する。 我々のモデルは、連続表現空間を、事前定義されたプリミティブに頼るのではなく、教師なし学習を通じて、記号系の意味性と構成性の特徴を反映する、記号列に対応する引き付け状態を持つ離散盆地に分割する。 このアプローチは、認知操作の複雑な双対性を反映したより包括的なモデルを提供する、AIにおける表現力の証明された神経弁別可能な基質であるニューラルダイナミクスを通じて、シンボル処理とサブシンボル処理の両方を統合する統一的なフレームワークを確立する。
  論文  参考訳（メタデータ） (2023-10-03T05:40:56Z)
• A Novel Neural-symbolic System under Statistical Relational Learning [47.30190559449236]
  NSF-SRLと呼ばれる統計的関係学習に基づくニューラルシンボリック・フレームワークを提案する。 シンボリック推論の結果は、深層学習モデルによる予測の洗練と修正に利用され、深層学習モデルはシンボリック推論プロセスの効率を高める。 我々は、このアプローチがニューラルシンボリックシステムの新しい標準となり、汎用人工知能の分野における将来の研究を促進すると信じている。
  論文  参考訳（メタデータ） (2023-09-16T09:15:37Z)
• Neuro-Symbolic Learning of Answer Set Programs from Raw Data [54.56905063752427]
  Neuro-Symbolic AIは、シンボリックテクニックの解釈可能性と、生データから学ぶ深層学習の能力を組み合わせることを目的としている。 本稿では,ニューラルネットワークを用いて生データから潜在概念を抽出するNSIL(Neuro-Symbolic Inductive Learner)を提案する。 NSILは表現力のある知識を学習し、計算的に複雑な問題を解き、精度とデータ効率の観点から最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-25T12:41:59Z)
• Counterfactual Representation Learning with Balancing Weights [74.67296491574318]
  観察データによる因果推論の鍵は、それぞれの治療タイプに関連する予測的特徴のバランスを達成することである。 近年の文献では、この目標を達成するために表現学習を探求している。 因果効果を柔軟かつスケーラブルかつ正確に推定するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-23T19:06:03Z)
• Neuro-symbolic Architectures for Context Understanding [59.899606495602406]
  本稿では,データ駆動型アプローチと知識駆動型アプローチの強みを組み合わせたフレームワークとして,ハイブリッドAI手法を提案する。 具体的には、知識ベースを用いて深層ニューラルネットワークの学習過程を導く方法として、ニューロシンボリズムの概念を継承する。
  論文  参考訳（メタデータ） (2020-03-09T15:04:07Z)

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。