論文の概要: Multimodal Analytics of Cybersecurity Crisis Preparation Exercises: What Predicts Success?

• arxiv url: http://arxiv.org/abs/2603.28553v1
• Date: Mon, 30 Mar 2026 15:14:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.46943
• Title: Multimodal Analytics of Cybersecurity Crisis Preparation Exercises: What Predicts Success?
• Title（参考訳）: サイバーセキュリティ危機準備演習のマルチモーダル分析:成功予測は何か?
• Authors: Conrad Borchers, Valdemar Švábenský, Sandesh K. Kafle, Kevin K. Tang, Jan Vykopal,
• Abstract要約: 5回のエクササイズセッションにおける23チーム(76名の学生)のマルチモーダルトレースを用いて,サイバーセキュリティシミュレーションのアライメントを検討する。 アライメントは、必要なブルームレベルと実行されたブルームレベルの相違として定義され、成功を予測するが、ブルームカテゴリーだけでは相違が考慮されれば成功を予測することはできない。
• 参考スコア（独自算出の注目度）: 0.12314765641075437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Instructional alignment, the match between intended cognition and enacted activity, is central to effective instruction but hard to operationalize at scale. We examine alignment in cybersecurity simulations using multimodal traces from 23 teams (76 students) across five exercise sessions. Study 1 codes objectives and team emails with Bloom's taxonomy and models the completion of key exercise tasks with generalized linear mixed models. Alignment, defined as the discrepancy between required and enacted Bloom levels, predicts success, whereas the Bloom category alone does not predict success once discrepancy is considered. Study 2 compares predictive feature families using grouped cross-validation and l1-regularized logistic regression. Text embeddings and log features outperform Bloom-only models (AUC~0.74 and 0.71 vs. 0.55), and their combination performs best (Test AUC~0.80), with Bloom frequencies adding little. Overall, the work offers a measure of alignment for simulations and shows that multimodal traces best forecast performance, while alignment provides interpretable diagnostic insight.
• Abstract（参考訳）: 意図された認知と実行された活動の一致は効果的な指導の中心であるが、大規模に運用することは困難である。 5回のエクササイズセッションにおける23チーム(76名の学生)のマルチモーダルトレースを用いて,サイバーセキュリティシミュレーションのアライメントを検討する。 Study 1 codes objectives and team email with Bloom's taxonomy and model the completion of key exercise task with generalized linear mixed models。 アライメントは、必要なブルームレベルと実行されたブルームレベルの相違として定義され、成功を予測するが、ブルームカテゴリーだけでは相違が考慮されれば成功を予測することはできない。 研究2では,群付きクロスバリデーションとl1正規化ロジスティック回帰を用いた予測的特徴系列の比較を行った。 テキストの埋め込みとログはブルームのみのモデル(AUC~0.74と0.71対0.55)より優れており、それらの組み合わせは最高(Test AUC~0.80)であり、ブルーム周波数は少ない。 全体として、この研究はシミュレーションのアライメントの尺度を提供し、マルチモーダルトレースが最高の予測性能を示し、アライメントは解釈可能な診断の洞察を提供する。

関連論文リスト

• Toward Scalable Co-located Practical Learning: Assisting with Computer Vision and Multimodal Analytics [13.632792983535822]
  本研究では,天井に装着した1台のカメラを用いて,協調学習における微粒な学習行動を捉えることができるかを検討した。 大学生の看護シミュレーションでは、教師はまず7つの観察可能な行動カテゴリーを特定し、その後、YOLOベースの検出器のトレーニングに使用された。 ビデオデータは52セッションから収集され、Scenario Bよりも行動の変化が大きいため、Scenario Aを中心に分析された。 この研究は、単一カメラのコンピュータビジョンアプローチが、ウェアラブルセンサーに頼ることなく、対面の実践的学習におけるチームワークとタスクエンゲージメントの分析を支援することを示している。
  論文  参考訳（メタデータ） (2026-03-14T01:04:58Z)
• CLASS-IT: Conversational and Lecture-Aligned Small-Scale Instruction Tuning for BabyLMs [81.79228604962687]
  本研究は,小規模のLMが命令チューニングの恩恵を受けることができるかどうかを考察する。 我々は,統合的・逐次的なカリキュラムに適用された対話型および質問応答型指導調律データセットを比較した。 その結果、命令チューニングは微調整のシナリオでは小さくても一貫した利得をもたらすことが示され、逐次キュリキュラはマージされたデータより優れていた。 しかし、改良はゼロショットタスクに一貫して移行するわけではなく、相互作用中心の適応と広範な言語一般化とのトレードオフを示唆している。
  論文  参考訳（メタデータ） (2025-10-29T10:36:39Z)
• Clustering-Guided Multi-Layer Contrastive Representation Learning for Citrus Disease Classification [17.627760587507737]
  シトラス(Citrus)は、世界でもっとも経済的に重要な果実の1つである。 正確な疾患の検出と分類は、標的とするコントロール対策を実施するための重要な前提条件である。 人工知能の最近の進歩、特にディープラーニングベースのコンピュータビジョンアルゴリズムは、時間と労働の要求を大幅に減らしている。
  論文  参考訳（メタデータ） (2025-07-15T10:22:52Z)
• Probably Approximately Precision and Recall Learning [60.00180898830079]
  機械学習における重要な課題は、一方的なフィードバックの頻度である。 本稿では,確率的近似(PAC)フレームワークを導入し,各入力をラベルの集合にマッピングする仮説を定めている。 我々は、正のデータのみから学習する新しいアルゴリズムを開発し、実現可能な場合において最適なサンプル複雑性を実現する。
  論文  参考訳（メタデータ） (2024-11-20T04:21:07Z)
• What Do Learning Dynamics Reveal About Generalization in LLM Reasoning? [83.83230167222852]
  モデルの一般化動作は,事前記憶列車の精度と呼ばれるトレーニング指標によって効果的に特徴づけられることがわかった。 モデルの学習行動と一般化を結びつけることで、トレーニング戦略に目標とする改善を導くことができる。
  論文  参考訳（メタデータ） (2024-11-12T09:52:40Z)
• Calibrating Multi-modal Representations: A Pursuit of Group Robustness without Annotations [19.800907485589402]
  CLIPのような微調整済みの視覚言語モデルは、さまざまな下流タスクで成功している。 これらの調整されたモデルは高度に専門化され、実際の展開の実用性が制限される傾向にある。 微調整CLIPのための軽量表現校正法を提案する。
  論文  参考訳（メタデータ） (2024-03-12T01:47:17Z)
• Unifying Language Learning Paradigms [96.35981503087567]
  データセットやセットアップ全体にわたって普遍的に有効である事前学習モデルのための統一的なフレームワークを提案する。 本研究では, 事前学習対象を相互に配置し, 異なる対象間の補間を効果的に行う方法を示す。 また,テキスト内学習において,ゼロショットSuperGLUEで175B GPT-3,ワンショット要約でT5-XXLの性能を3倍に向上させた。
  論文  参考訳（メタデータ） (2022-05-10T19:32:20Z)
• Provable Guarantees for Self-Supervised Deep Learning with Spectral Contrastive Loss [72.62029620566925]
  自己教師型学習の最近の研究は、対照的な学習パラダイムを頼りに、最先端の技術の進歩を遂げている。 我々の研究は、正の対の条件的独立性を仮定することなく、対照的な学習を分析する。 本稿では,人口増分グラフ上でスペクトル分解を行う損失を提案し,コントラスト学習目的として簡潔に記述することができる。
  論文  参考訳（メタデータ） (2021-06-08T07:41:02Z)
• Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
  SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
  論文  参考訳（メタデータ） (2021-05-16T09:13:56Z)
• A framework for predicting, interpreting, and improving Learning Outcomes [0.0]
  本研究では,学生の観察的,行動的,受験的特徴に基づいて,テストスコアを予測するEmbibe Score Quotient Model(ESQ)を開発した。 ESQは、学生の将来的な採点可能性の予測や、個別の学習ナッジの提供に使用することができる。
  論文  参考訳（メタデータ） (2020-10-06T11:22:27Z)

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。