論文の概要: Automatic Assessment of Students' Classroom Engagement with Bias Mitigated Multi-task Model

• arxiv url: http://arxiv.org/abs/2510.22057v1
• Date: Fri, 24 Oct 2025 22:39:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:14.805374
• Title: Automatic Assessment of Students' Classroom Engagement with Bias Mitigated Multi-task Model
• Title（参考訳）: バイアス軽減型マルチタスクモデルによる生徒の教室内エンゲージメントの自動評価
• Authors: James Thiering, Tarun Sethupat Radha Krishna, Dylan Zelkin, Ashis Kumer Biswas,
• Abstract要約: 本研究は,オンライン学習における学生のエンゲージメントレベルを自動的に検出するシステムを開発する必要性に焦点を当てた。 我々は、モデルが性別などのセンシティブな特徴を予測に利用しないよう、新しいトレーニング手法を提案する。 提案手法は,倫理基準の適用だけでなく,モデル予測の解釈可能性の向上にも有効である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the rise of online and virtual learning, monitoring and enhancing student engagement have become an important aspect of effective education. Traditional methods of assessing a student's involvement might not be applicable directly to virtual environments. In this study, we focused on this problem and addressed the need to develop an automated system to detect student engagement levels during online learning. We proposed a novel training method which can discourage a model from leveraging sensitive features like gender for its predictions. The proposed method offers benefits not only in the enforcement of ethical standards, but also to enhance interpretability of the model predictions. We applied an attribute-orthogonal regularization technique to a split-model classifier, which uses multiple transfer learning strategies to achieve effective results in reducing disparity in the distribution of prediction for sensitivity groups from a Pearson correlation coefficient of 0.897 for the unmitigated model, to 0.999 for the mitigated model. The source code for this project is available on https://github.com/ashiskb/elearning-engagement-study .
• Abstract（参考訳）: オンラインと仮想学習の台頭に伴い、学生のエンゲージメントのモニタリングと向上が効果的な教育の重要な側面となっている。 学生の関与を評価する従来の手法は、仮想環境に直接適用できない可能性がある。 本研究では,この問題に焦点をあて,オンライン学習中に学生のエンゲージメントレベルを検出する自動システムを開発する必要性に対処した。 我々は、モデルが性別などのセンシティブな特徴を予測に利用しないよう、新しいトレーニング手法を提案する。 提案手法は,倫理基準の適用だけでなく,モデル予測の解釈可能性の向上にも有効である。 分割モデルのパーソン相関係数 0.897 から緩和モデルの 0.999 への感度群予測の分布のばらつきを抑えるために, 複数移動学習手法を用いて効果的な結果を得る分割モデル分類器に属性-直交正則化手法を適用した。 プロジェクトのソースコードはhttps://github.com/ashiskb/elearning-engagement-study で公開されている。

関連論文リスト

• Efficient Machine Unlearning via Influence Approximation [75.31015485113993]
  インフルエンサーベースのアンラーニングは、個別のトレーニングサンプルがモデルパラメータに与える影響を再トレーニングせずに推定する顕著なアプローチとして現れてきた。 本稿では,暗記(増分学習)と忘れ(未学習)の理論的関連性を確立する。 本稿では、インフルエンス近似アンラーニングアルゴリズムを導入し、インクリメンタルな視点から効率的なマシンアンラーニングを行う。
  論文  参考訳（メタデータ） (2025-07-31T05:34:27Z)
• Supervised Contrastive Learning for Ordinal Engagement Measurement [2.166000001057538]
  学生のエンゲージメントは、教育プログラムの納入を成功させる上で重要な役割を担っている。 本稿では、クラス不均衡とエンゲージメントレベルへの秩序導入という、この問題における2つの重要な課題を明らかにする。 仮想学習環境におけるビデオベースの学生エンゲージメント測定への新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-05-27T03:49:45Z)
• Privacy-Preserved Automated Scoring using Federated Learning for Educational Research [1.2556373621040728]
  本稿では,教育評価の自動評価のための統合学習(FL)フレームワークを提案する。 我々は,2つの最先端FL手法と集中学習ベースラインに対して,我々のモデルをベンチマークする。 その結果,本モデルが最も精度が高い(94.5%)ことが示唆された。
  論文  参考訳（メタデータ） (2025-03-12T19:06:25Z)
• Uncovering Student Engagement Patterns in Moodle with Interpretable Machine Learning [0.0]
  本研究では,仮想学習環境(VLE)のアクティビティログデータを用いて,モジュール全体のエンゲージメントを定量化する手法を提案する。 学習セッション頻度,即時性,多様性を用いて,累積エンゲージメント尺度を作成する。 ユニヴァーシティ・カレッジ・カレッジ・ロンドンの統計科学科における計算モジュールのケーススタディにおいて、デリバリー手法が学生の行動にどのように影響するかを検討する。
  論文  参考訳（メタデータ） (2024-12-16T14:47:25Z)
• Machine Unlearning with Minimal Gradient Dependence for High Unlearning Ratios [18.73206066109299]
  ミニ・アンラーニング(Mini-Unlearning)は、批判的な観察を活かした新しいアプローチである。 この軽量でスケーラブルな方法は、モデルの精度を大幅に向上し、メンバシップ推論攻撃に対する耐性を高める。 実験の結果,Mini-Unlearningは非学習率が高いだけでなく,既存の手法よりも精度と安全性が優れていることがわかった。
  論文  参考訳（メタデータ） (2024-06-24T01:43:30Z)
• Towards Effective Evaluations and Comparisons for LLM Unlearning Methods [97.2995389188179]
  本稿では,大規模言語モデルにおける機械学習評価の精度向上を図る。 評価指標の堅牢性と、競合する目標間のトレードオフという、2つの重要な課題に対処します。
  論文  参考訳（メタデータ） (2024-06-13T14:41:00Z)
• Explain, Edit, and Understand: Rethinking User Study Design for Evaluating Model Explanations [97.91630330328815]
  我々はクラウドソーシング研究を行い、真偽のホテルレビューと偽のホテルレビューを区別するために訓練された詐欺検出モデルと対話する。 単語の線形バッグモデルでは、トレーニング中に特徴係数にアクセスした参加者は、非説明制御と比較して、テストフェーズにおいてモデルの信頼性が大幅に低下する可能性があることを観察する。
  論文  参考訳（メタデータ） (2021-12-17T18:29:56Z)
• Learning to Learn Transferable Attack [77.67399621530052]
  転送逆行攻撃は非自明なブラックボックス逆行攻撃であり、サロゲートモデル上で敵の摂動を発生させ、そのような摂動を被害者モデルに適用することを目的としている。 本研究では,データとモデル拡張の両方から学習することで,敵の摂動をより一般化する学習可能な攻撃学習法(LLTA)を提案する。 提案手法の有効性を実証し, 現状の手法と比較して, 12.85%のトランスファー攻撃の成功率で検証した。
  論文  参考訳（メタデータ） (2021-12-10T07:24:21Z)
• Contrastive Learning for Fair Representations [50.95604482330149]
  訓練された分類モデルは、意図せずバイアスのある表現や予測につながる可能性がある。 対戦訓練のような既存の分類モデルのデバイアス化手法は、訓練に高価であり、最適化が困難であることが多い。 比較学習を取り入れたバイアス軽減手法を提案し、同じクラスラベルを共有するインスタンスに類似した表現を推奨する。
  論文  参考訳（メタデータ） (2021-09-22T10:47:51Z)
• Learning Diverse Representations for Fast Adaptation to Distribution Shift [78.83747601814669]
  本稿では,複数のモデルを学習する手法を提案する。 分散シフトへの迅速な適応を促進するフレームワークの能力を実証する。
  論文  参考訳（メタデータ） (2020-06-12T12:23:50Z)

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。