論文の概要: EssayCBM: Rubric-Aligned Concept Bottleneck Models for Transparent Essay Grading

• arxiv url: http://arxiv.org/abs/2512.20817v1
• Date: Tue, 23 Dec 2025 22:33:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-25 19:43:21.62157
• Title: EssayCBM: Rubric-Aligned Concept Bottleneck Models for Transparent Essay Grading
• Title（参考訳）: EssayCBM:透明エッセイグレーディングのためのルブリック配向概念ボトルネックモデル
• Authors: Kumar Satvik Chaudhary, Chengshuai Zhao, Fan Zhang, Yung Hin Tse, Garima Agrawal, Yuli Deng, Huan Liu,
• Abstract要約: エッセイCBMはエッセイ評価における解釈可能性の優先順位付けを行う。 ClarityやEvidence Useといった8つの概念を、エンコーダの専用の予測ヘッドを通じて評価する。
• 参考スコア（独自算出の注目度）: 12.73370263784755
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding how automated grading systems evaluate essays remains a significant challenge for educators and students, especially when large language models function as black boxes. We introduce EssayCBM, a rubric-aligned framework that prioritizes interpretability in essay assessment. Instead of predicting grades directly from text, EssayCBM evaluates eight writing concepts, such as Thesis Clarity and Evidence Use, through dedicated prediction heads on an encoder. These concept scores form a transparent bottleneck, and a lightweight network computes the final grade using only concepts. Instructors can adjust concept predictions and instantly view the updated grade, enabling accountable human-in-the-loop evaluation. EssayCBM matches black-box performance while offering actionable, concept-level feedback through an intuitive web interface.
• Abstract（参考訳）: 自動評価システムがどのようにエッセイを評価するかを理解することは、特に大きな言語モデルがブラックボックスとして機能する場合、教育者や学生にとって重要な課題である。 エッセイCBMは,エッセイアセスメントにおける解釈可能性の優先順位を優先するルーリック・アライメント・フレームワークである。 テキストから直接グレードを予測する代わりに、EssayCBMは、エンコーダの専用の予測ヘッドを通じて、Thesis ClarityやEvidence Useといった8つの記述概念を評価している。 これらの概念スコアは透明なボトルネックを形成し、軽量ネットワークは概念のみを使用して最終段階を計算する。 インストラクタは概念予測を調整し、更新されたグレードを即座に見ることができる。 EssayCBMはブラックボックスのパフォーマンスにマッチし、直感的なWebインターフェースを通じて実用的なコンセプトレベルのフィードバックを提供する。

関連論文リスト

• FaCT: Faithful Concept Traces for Explaining Neural Network Decisions [56.796533084868884]
  ディープネットワークは、幅広いタスクで顕著なパフォーマンスを示しているが、それらの機能に関するグローバルな概念レベルの理解は、依然として重要な課題である。 本稿では,概念に基づく説明の忠実さを強調し,モデル独立な機械的概念説明を用いた新しいモデルを提案する。 私たちの概念はクラス間で共有され、あらゆるレイヤから、ロジットへの貢献と入力-視覚化を忠実にトレースすることができます。
  論文  参考訳（メタデータ） (2025-10-29T13:35:46Z)
• Interpretable Reward Modeling with Active Concept Bottlenecks [54.00085739303773]
  本稿では,解釈可能な嗜好学習を可能にする報酬モデリングフレームワークであるConcept Bottleneck Reward Models (CB-RM)を紹介する。 不透明報酬関数に依存する標準的なRLHF法とは異なり、CB-RMは報酬予測を人間の解釈可能な概念に分解する。 我々は,最も情報性の高い概念ラベルを動的に取得する能動的学習戦略を定式化する。
  論文  参考訳（メタデータ） (2025-07-07T06:26:04Z)
• Explain via Any Concept: Concept Bottleneck Model with Open Vocabulary Concepts [8.028021897214238]
  OpenCBMはオープン語彙の概念を持つ最初のCBMである。 ベンチマークデータセットCUB-200-2011の分類精度は,従来のCBMよりも9%向上した。
  論文  参考訳（メタデータ） (2024-08-05T06:42:00Z)
• Linearly-Interpretable Concept Embedding Models for Text Analysis [9.340843984411137]
  線形解釈可能な概念埋め込みモデル(licEM)を提案する。 licEMs分類精度は既存の解釈可能なモデルよりも優れており、ブラックボックスモデルと一致する。 私たちのモデルが提供する説明は、既存のソリューションに対してより介入可能であり、慎重に整合していることを示します。
  論文  参考訳（メタデータ） (2024-06-20T14:04:53Z)
• Improving Concept Alignment in Vision-Language Concept Bottleneck Models [9.228586820098723]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、クラス予測を行う前に、イメージを人間の解釈可能な概念にマッピングする。 近年のアプローチでは、大規模言語モデル(LLM)にテキスト概念の生成を促すことでCBM構築を自動化する。 LLMによって生成されたものよりも、人間の専門家によって定義された概念でCBMを構築することが望まれる。
  論文  参考訳（メタデータ） (2024-05-03T03:02:00Z)
• Interpreting Pretrained Language Models via Concept Bottlenecks [55.47515772358389]
  事前訓練された言語モデル(PLM)は、様々な自然言語処理タスクにおいて大きな進歩を遂げてきた。 ブラックボックスの性質による解釈可能性の欠如は、責任ある実装に課題をもたらす。 本研究では,人間にとって理解しやすい高レベルで有意義な概念を用いて,PLMを解釈する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-11-08T20:41:18Z)
• Interpretable-by-Design Text Understanding with Iteratively Generated Concept Bottleneck [46.015128326688234]
  ブラックボックスのディープニューラルネットワークはテキスト分類に優れているが、ハイテイクドメインへの応用は、解釈可能性の欠如によって妨げられている。 本稿では,グローバルおよびローカルな説明を提供する本質的に解釈可能なテキスト分類フレームワークであるText Bottleneck Models (TBM)を提案する。
  論文  参考訳（メタデータ） (2023-10-30T15:41:32Z)
• Exploring Explainable Selection to Control Abstractive Summarization [51.74889133688111]
  説明可能性を重視した新しいフレームワークを開発する。 新しいペアワイズ行列は、文の相互作用、中心性、属性スコアをキャプチャする。 コンストラクタ内の文分割アテンション機構は、最終要約が所望のコンテンツを強調することを保証する。
  論文  参考訳（メタデータ） (2020-04-24T14:39:34Z)

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。