論文の概要: Disentangling Learning from Judgment: Representation Learning for Open Response Analytics

• arxiv url: http://arxiv.org/abs/2512.23941v2
• Date: Wed, 07 Jan 2026 23:21:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 15:04:17.487521
• Title: Disentangling Learning from Judgment: Representation Learning for Open Response Analytics
• Title（参考訳）: 判断から学習を遠ざける:オープンレスポンス分析のための表現学習
• Authors: Conrad Borchers, Manit Patel, Seiyon M. Lee, Anthony F. Botelho,
• Abstract要約: オープンエンドの回答は学習の中心であるが、自動スコアリングは生徒の書き方と教師の成績を混同することが多い。 本稿では、コンテンツ信号とレーダ傾向を分離し、分析を通じて判断を可視化し、監査可能にする分析ファーストフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-ended responses are central to learning, yet automated scoring often conflates what students wrote with how teachers grade. We present an analytics-first framework that separates content signals from rater tendencies, making judgments visible and auditable via analytics. Using de-identified ASSISTments mathematics responses, we model teacher histories as dynamic priors and represent text with sentence embeddings. We apply centroid normalization and response-problem embedding differences, and explicitly model teacher effects with priors to reduce problem- and teacher-related confounds. Temporally-validated linear models quantify the contributions of each signal, and model disagreements surface observations for qualitative inspection. Results show that teacher priors heavily influence grade predictions; the strongest results arise when priors are combined with content embeddings (AUC~0.815), while content-only models remain above chance but substantially weaker (AUC~0.626). Adjusting for rater effects sharpens the selection of features derived from content representations, retaining more informative embedding dimensions and revealing cases where semantic evidence supports understanding as opposed to surface-level differences in how students respond. The contribution presents a practical pipeline that transforms embeddings from mere features into learning analytics for reflection, enabling teachers and researchers to examine where grading practices align (or conflict) with evidence of student reasoning and learning.
• Abstract（参考訳）: オープンエンドの回答は学習の中心であるが、自動スコアリングは生徒の書き方と教師の成績を混同することが多い。 本稿では、コンテンツ信号とレーダ傾向を分離し、分析を通じて判断を可視化し、監査可能にする分析ファーストフレームワークを提案する。 教師履歴を動的先行語としてモデル化し,テキストを文埋め込みで表現する。 センチロイド正規化と応答確率埋め込みの差を適用し,教師効果を予めモデル化し,問題や教師関係の相違を低減した。 時間に有意な線形モデルは各信号の寄与を定量化し、定性検査のための表面観察と相容れない。 その結果、教師の予見に大きく影響し、前者がコンテンツ埋め込み(AUC~0.815)と組み合わされたときに最も強い結果が得られ、一方、コンテンツのみのモデルの方が確率は高く、より弱い(AUC~0.626)。 レーダ効果の調整は、コンテンツ表現から派生した特徴の選択を鋭くし、より情報的な埋め込み次元を維持し、意味的証拠が学生の反応の面レベルの違いとは対照的に理解を裏付けるケースを明らかにする。 このコントリビューションは、埋め込みを単なる特徴から、リフレクションのための学習分析に変換する実用的なパイプラインを示し、教師や研究者は、グレーディングの実践が学生の推論と学習の証拠とどのように一致しているか(あるいは矛盾)を調べることができる。

関連論文リスト

• Automatic Piecewise Linear Regression for Predicting Student Learning Satisfaction [0.7212939068975618]
  本研究は,強化と解釈可能性を組み合わせた自動一方向線形回帰モデルが,学習満足度を予測するのに最適であることを示す。 学生の時間管理と集中力, クラスメートへの有益感, オフラインコースへの参加は, 学習満足度に最も有意な影響を及ぼす。
  論文  参考訳（メタデータ） (2025-10-12T14:48:50Z)
• Learning to Focus: Causal Attention Distillation via Gradient-Guided Token Pruning [62.23671919314693]
  大規模言語モデル (LLM) は文脈理解において著しく改善されている。 しかし、長いコンテキストの推論と生成の間に真に重要な情報に出席する能力は、まだペースの遅れています。 本稿では,2段階のフレームワークであるLearning to Focus(LeaF)を導入し,コンバウンディング要因を緩和する。
  論文  参考訳（メタデータ） (2025-06-09T15:16:39Z)
• Improving Question Embeddings with Cognitive Representation Optimization for Knowledge Tracing [77.14348157016518]
  KTモデリングの研究は、既存の未更新の学生の相互作用の記録に基づいて、将来の学生のパフォーマンスを予測することに焦点を当てている。 動的プログラミングアルゴリズムを用いて認知表現の構造を最適化する知識追跡型認知表現最適化(CRO-KT)モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-05T09:32:03Z)
• Using Early Readouts to Mediate Featural Bias in Distillation [30.5299408494168]
  ディープネットワークは、現実世界の教師付き学習タスクにおいて、突発的な特徴ラベル相関を学習する傾向がある。 本稿では,従来のネットワーク層からの表現を用いてラベルを予測しようとする新しい早期読み出し機構を提案する。
  論文  参考訳（メタデータ） (2023-10-28T04:58:15Z)
• Distantly-Supervised Named Entity Recognition with Adaptive Teacher Learning and Fine-grained Student Ensemble [56.705249154629264]
  NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。 本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。 微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
  論文  参考訳（メタデータ） (2022-12-13T12:14:09Z)
• Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding [71.2260967797055]
  アスペクトベース感情分析のための弱教師付きアプローチを提案する。 We learn sentiment, aspects> joint topic embeddeds in the word embedding space。 次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
  論文  参考訳（メタデータ） (2020-10-13T21:33:24Z)
• Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
  ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。 我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。 このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2020-04-20T02:47:49Z)

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。