論文の概要: When AI Meets Early Childhood Education: Large Language Models as Assessment Teammates in Chinese Preschools
- arxiv url: http://arxiv.org/abs/2603.24389v1
- Date: Wed, 25 Mar 2026 15:05:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-26 21:06:11.350758
- Title: When AI Meets Early Childhood Education: Large Language Models as Assessment Teammates in Chinese Preschools
- Title（参考訳）: AIが幼児教育と出会う時--中国の幼児期におけるチームメイトの評価としての大規模言語モデル
- Abstract要約: 高品質な教師子交流(TCI)は、幼児期の発達に欠かせないものであるが、従来の専門家による評価は、重要なスケーラビリティの課題に直面している。
中国のような大規模システムでは、25万人以上の幼稚園で3600万人の子どもが利用されており、手作業による観察のコストと時間要件は、継続的な品質監視を不可能にしている。
本稿では,AIが構造化された品質指標を抽出し,人間の専門家による判断との整合性を検証することによって,スケーラブルな評価チームメイトとして機能するかどうかを検討する。
- 参考スコア（独自算出の注目度）: 13.924636663725776
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: High-quality teacher-child interaction (TCI) is fundamental to early childhood development, yet traditional expert-based assessment faces a critical scalability challenge. In large systems like China's-serving 36 million children across 250,000+ kindergartens-the cost and time requirements of manual observation make continuous quality monitoring infeasible, relegating assessment to infrequent episodic audits that limit timely intervention and improvement tracking. In this paper, we investigate whether AI can serve as a scalable assessment teammate by extracting structured quality indicators and validating their alignment with human expert judgments. Our contributions include: (1) TEPE-TCI-370h (Tracing Effective Preschool Education), the first large-scale dataset of naturalistic teacher-child interactions in Chinese preschools (370 hours, 105 classrooms) with standardized ECQRS-EC and SSTEW annotations; (2) We develop Interaction2Eval, a specialized LLM-based framework addressing domain-specific challenges-child speech recognition, Mandarin homophone disambiguation, and rubric-based reasoning-achieving up to 88% agreement; (3) Deployment validation across 43 classrooms demonstrating an 18x efficiency gain in the assessment workflow, highlighting its potential for shifting from annual expert audits to monthly AI-assisted monitoring with targeted human oversight. This work not only demonstrates the technical feasibility of scalable, AI-augmented quality assessment but also lays the foundation for a new paradigm in early childhood education-one where continuous, inclusive, AI-assisted evaluation becomes the engine of systemic improvement and equitable growth.
- Abstract（参考訳）: 高品質な教師子交流(TCI)は、幼児期の発達に欠かせないものであるが、従来の専門家による評価は、重要なスケーラビリティの課題に直面している。
中国では、25万人以上の幼稚園で3600万人の子どもたちが、手作業による観察のコストと時間要件によって、継続的な品質監視が不可能になり、時間的介入と改善の追跡を制限した頻繁な監査に対する評価が低下している。
本稿では,AIが構造化された品質指標を抽出し,人間の専門家による判断との整合性を検証することによって,スケーラブルな評価チームメイトとして機能するかどうかを検討する。
1) TEPE-TCI-370h (Tracing Effective Preschool Education) は,中国初等教育における自然主義的な教師と児童の交流に関する最初の大規模データセット(370時間105教室)で,標準化されたECQRS-ECとSSTEWアノテーションを併用する。
この研究は、スケーラブルでAIが強化された品質評価の技術的実現可能性を示すだけでなく、継続的かつ包括的でAIが支援する評価が、体系的な改善と平等な成長のエンジンとなる、幼児教育における新しいパラダイムの基盤となる。
関連論文リスト
- Small, Private Language Models as Teammates for Educational Assessment Design [3.9739308910691835]
ジェネレーティブAIは、例えば、Large Language Models (LLMs)を通じて、教育設計タスクをますますサポートしている。
小言語モデル(SLM)は、プライバシーとリソース制限に対処するローカルな代替手段として登場した。
我々は,評価問題設計のためのSLMを比較し,ブルームの分類レベル全体にわたる生成品質を評価し,専門家による評価に対するモデルに基づく判断を評価する。
論文 参考訳（メタデータ） (2026-05-14T16:15:48Z) - Beyond Accuracy: Towards a Robust Evaluation Methodology for AI Systems for Language Education [0.0]
AIによる言語教育における大規模言語モデルの急速な採用は、教育的効果を評価するための評価を緊急に必要としてきた。
L2-Benchは、検証済みの「言語学習経験設計者」構築に基礎を置いた、新しい評価ベンチマークである。
本手法は,教育学理論,社会工学的AI評価手法を統合し,階層的な分類法を運用し,専門家が計算したデータセットを構築する。
論文 参考訳（メタデータ） (2026-03-20T16:13:03Z) - Findings of the BEA 2025 Shared Task on Pedagogical Ability Assessment of AI-powered Tutors [6.891852148875869]
このタスクは、AIチューターのパフォーマンスを、誤識別の重要な次元にわたって自動的に評価するように設計された5つのトラックで構成されている。
4つの教育能力評価トラックの最良の結果は、マクロF1スコア58.34(ガイダンス提供)と3クラスの問題に対する71.81(誤識別)の範囲である。
論文 参考訳（メタデータ） (2025-07-11T10:57:36Z) - The AI Imperative: Scaling High-Quality Peer Review in Machine Learning [49.87236114682497]
AIによるピアレビューは、緊急の研究とインフラの優先事項になるべきだ、と私たちは主張する。
我々は、事実検証の強化、レビュアーのパフォーマンスの指導、品質改善における著者の支援、意思決定におけるAC支援におけるAIの具体的な役割を提案する。
論文 参考訳（メタデータ） (2025-06-09T18:37:14Z) - EducationQ: Evaluating LLMs' Teaching Capabilities Through Multi-Agent Dialogue Framework [9.76455227840645]
大規模言語モデル(LLM)は、ますます教育ツールとして機能するが、その教育能力を評価することは困難である。
本研究では,動的シナリオをシミュレートして学習能力を効果的に評価するマルチエージェント対話フレームワークであるEducationQを紹介する。
論文 参考訳（メタデータ） (2025-04-21T07:48:20Z) - ConSiDERS-The-Human Evaluation Framework: Rethinking Human Evaluation for Generative Large Language Models [53.00812898384698]
生成型大規模言語モデル(LLM)の人間による評価は多分野にわたる作業であるべきだと論じる。
認知バイアスが、流動的な情報や真理をいかに説明するか、そして、認識の不確実性が、Likertのような評価スコアの信頼性にどのように影響するかを強調します。
本稿では,ConSiDERS-The-Human評価フレームワークを提案する。一貫性,スコーリング基準,差別化,ユーザエクスペリエンス,責任,スケーラビリティの6つの柱からなる。
論文 参考訳（メタデータ） (2024-05-28T22:45:28Z) - FoundaBench: Evaluating Chinese Fundamental Knowledge Capabilities of Large Language Models [64.11333762954283]
本稿では,中国のLLMの基本知識能力を厳格に評価するための先駆的ベンチマークであるFoundaBenchを紹介する。
本稿では、従来の評価手法とCircularEvalプロトコルの両方を用いて、モデル応答の潜在的なバイアスを軽減するため、FoundaBenchを用いた12の最先端LCMの広範な評価を行う。
以上の結果から,中国のコーパスで事前学習したモデルの性能が向上し,モデル推論とメモリリコール能力の相違が明らかとなった。
論文 参考訳（メタデータ） (2024-04-29T01:49:07Z) - The Promises and Pitfalls of Using Language Models to Measure Instruction Quality in Education [3.967610895056427]
本稿では,自然言語処理(NLP)技術を活用して,複数のハイ推論教育実践を評価するための最初の研究について述べる。
ノイズや長い入力データ、人間の評価の高度に歪んだ分布など、NLPに基づく指導分析に固有の2つの課題に直面している。
論文 参考訳（メタデータ） (2024-04-03T04:15:29Z) - ChatEval: Towards Better LLM-based Evaluators through Multi-Agent Debate [57.71597869337909]
われわれはChatEvalと呼ばれるマルチエージェントの審判チームを構築し、異なるモデルから生成された応答の品質を自律的に議論し評価する。
分析の結果,ChatEvalは単なるテキストスコアリングを超越し,信頼性評価のための人間模倣評価プロセスを提供することがわかった。
論文 参考訳（メタデータ） (2023-08-14T15:13:04Z) - LAE : Long-tailed Age Estimation [52.5745217752147]
まず、簡単な標準ベースラインを定式化し、事前トレーニング、データ拡張、モデルアーキテクチャなどのトリックを収集することで、はるかに強力なベースラインを構築します。
標準ベースラインと比較して,提案手法は推定誤差を著しく低減する。
本稿では,Long-tailed Age Estimation (LAE) という2段階の学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-25T09:05:44Z) - Towards Quantifiable Dialogue Coherence Evaluation [126.55560816209756]
量的対話コヒーレンス評価(QuantiDCE)は,量的対話コヒーレンス尺度の学習を目的とした新しいフレームワークである。
QuantiDCEには、Multi-Level Ranking (MLR) pre-training (KD) fine-tuning (Multi-Level Ranking)とKD (KD) fine-tuning (KD) という2つの訓練段階が含まれている。
実験結果から,QuantiDCEによりトレーニングされたモデルは,他の最先端の指標に比べて,人間の判断と強い相関関係を示すことが示された。
論文 参考訳（メタデータ） (2021-06-01T14:11:17Z)
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。