論文の概要: Beyond Detection: Ethical Foundations for Automated Dyslexic Error Attribution

• arxiv url: http://arxiv.org/abs/2604.01853v1
• Date: Thu, 02 Apr 2026 10:08:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.672055
• Title: Beyond Detection: Ethical Foundations for Automated Dyslexic Error Attribution
• Title（参考訳）: Beyond Detection:Dymated Dyslexic Error Attributionのための倫理的基礎
• Authors: Samuel Rose, Debarati Chakraborty,
• Abstract要約: Dyslexicスペルエラーは、典型的には発達している作家によって生じる誤りと区別される、体系的な音韻学的および正書法的なパターンを示す。 以前の研究は、帰属よりもエラー訂正に重点を置いており、倫理的リスクをほとんど無視してきた。 我々は,二項分類タスクとしてディプレックス的誤り属性を定式化し,ミスペルト語とその正しいターゲット形式を与えられた場合,この誤りパターンがディプレックス的あるいは非ディプレックス的文字の特徴であるか否かを判定する。 ニューラルモデルは93.01%の精度と94.01%のF1スコアを達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Dyslexic spelling errors exhibit systematic phonological and orthographic patterns that distinguish them from the errors produced by typically developing writers. While this observation has motivated dyslexic-specific spell-checking and assistive writing tools, prior work has focused predominantly on error correction rather than attribution, and has largely neglected the ethical risks. The risk of harmful labelling, covert screening, algorithmic bias, and institutional misuse that automated classification of learners entails requires the development of robust ethical and legal frameworks for research in this area. This paper addresses both gaps. We formulate dyslexic error attribution as a binary classification task. Given a misspelt word and its correct target form, determine whether the error pattern is characteristic of a dyslexic or non-dyslexic writer. We develop a comprehensive feature set capturing orthographic, phonological, and morphological properties of each error, and propose a twin-input neural model evaluated against traditional machine learning baselines under writer-independent conditions. The neural model achieves 93.01% accuracy and an F1-score of 94.01%, with phonetically plausible errors and vowel confusions emerging as the strongest attribution signals. We situate these technical results within an explicit ethics-first framework, analysing fairness across subgroups, the interpretability requirements of educational deployment, and the conditions, consent, transparency, human oversight, and recourse, under which a system could be responsibly used. We provide concrete guidelines for ethical deployment and an open discussion of the systems limitations and misuse potential. Our results demonstrate that dyslexic error attribution is feasible at high accuracy while underscoring that feasibility alone is insufficient for deployment in high-stakes educational contexts.
• Abstract（参考訳）: Dyslexicスペルエラーは、典型的には発達している作家によって生じる誤りと区別される、体系的な音韻学的および正書法的なパターンを示す。 この観察は、ディプレクシック特有のスペルチェックと補助的な筆記ツールを動機付けてきたが、先行研究は、帰属よりもエラー修正に重点を置いており、倫理的リスクを無視している。 学習者の自動分類がもたらす有害なラベル付け、隠蔽スクリーニング、アルゴリズムバイアス、制度上の誤用のリスクは、この分野の研究のための堅牢な倫理的および法的枠組みの開発を必要とする。 この論文は両方のギャップに対処する。 ディプレックス的誤り属性を二項分類タスクとして定式化する。 ミスペルトワードとその正しいターゲットフォームが与えられた場合、エラーパターンがディプレクシックまたは非ディプレクシックライターの特徴であるか否かを決定する。 本研究では,各誤差の正書法,音韻法,形態的特性を総合的に把握する機能セットを開発し,著者に依存しない条件下で従来の機械学習ベースラインに対して評価された双入力ニューラルモデルを提案する。 ニューラルモデルは93.01%の精度と94.01%のF1スコアを達成する。 我々は、これらの技術成果を明示的な倫理優先の枠組みに配置し、サブグループ間の公正性、教育展開の解釈可能性要件、およびシステムに責任を負うことができる条件、同意、透明性、人間の監視、リコースを分析する。 倫理的展開のための具体的なガイドラインと、システムの制限と誤使用の可能性に関するオープンな議論を提供する。 以上の結果から,Dyslexic error attributionは高い精度で実現可能であるとともに,高い文脈での展開には実現可能性だけでは不十分であることが示唆された。

関連論文リスト

• LLM Reasoning Predicts When Models Are Right: Evidence from Coding Classroom Discourse [0.18268488712787334]
  大規模言語モデル(LLM)は、大規模に教育対話を自動的にラベル付けし分析するために、ますます多くデプロイされている。 本研究では,LLMが生成した推論がモデル自身の予測の正確性を予測するのに有効かどうかを検討する。 授業の対話から30,300人の教師の発話を分析し,複数の最先端LPMでラベル付けし,指導的移動構造とそれに伴う推論を行った。
  論文  参考訳（メタデータ） (2026-02-10T14:38:13Z)
• Unsupervised Learning for Industrial Defect Detection: A Case Study on Shearographic Data [0.0]
  本研究では,せん断画像の自動異常検出のための教師なし学習手法について検討する。 完全に接続されたオートエンコーダ、畳み込みオートエンコーダ、学生-教師モデルという3つのアーキテクチャが評価されている。 その結果, 生徒-教師のアプローチは, より優れた分類を達成し, 正確なローカライゼーションを可能にすることがわかった。
  論文  参考訳（メタデータ） (2025-11-04T12:48:02Z)
• Annotating Errors in English Learners' Written Language Production: Advancing Automated Written Feedback Systems [25.047364950581265]
  本稿では,各エラーのエラータイプと一般化可能性をモデル化するアノテーションフレームワークを提案する。 我々は、注釈付き学習者の誤りとそれに対応する人間によるフィードバックコメントのデータセットを収集する。 我々は、フィードバックを生成するためのキーワード誘導、キーワードフリー、テンプレート誘導の評価を行う。
  論文  参考訳（メタデータ） (2025-08-09T04:06:18Z)
• Explainable AI in Handwriting Detection for Dyslexia Using Transfer Learning [0.0]
  このフレームワークはトランスファーラーニングとトランスフォーマーベースのモデルを統合し、ディフレキシアに関連する手書きの特徴を識別する。 異なる言語や書記システムへの適応性は、グローバルな適用可能性を示している。 この知見は、早期発見を支援し、ステークホルダ信頼を構築し、パーソナライズされた教育戦略を可能にするフレームワークの能力を強調した。
  論文  参考訳（メタデータ） (2024-10-18T11:14:54Z)
• Subtle Errors in Reasoning: Preference Learning via Error-injected Self-editing [59.405145971637204]
  eRror-Injected Self-Editing (RISE) と呼ばれる新しい好み学習フレームワークを提案する。 RISEは、事前定義された微妙なエラーをピボットトークンに注入する。 RISEの有効性を検証する実験では、Qwen2-7B-Instructでの優先学習により、GSM8Kでは3.0%、MATHでは7.9%が顕著に改善され、トレーニングサンプルは4.5Kに留まった。
  論文  参考訳（メタデータ） (2024-10-09T07:43:38Z)
• Handwriting Anomalies and Learning Disabilities through Recurrent Neural Networks and Geometric Pattern Analysis [0.0]
  本研究では、高度な幾何学的パターンとリカレントニューラルネットワーク(RNN)を用いて、失読と失読を示す手書き異常を同定する。 書き起こしはまず標準化され、次にベースラインのずれ、文字の接続性、ストロークの厚さ、その他の異常に焦点を当てた特徴抽出が続く。 最初の結果は、このRNNモデルが、ジストレキシーとジストニアを併用して、最先端の性能を達成する能力を示した。
  論文  参考訳（メタデータ） (2024-05-12T10:10:13Z)
• Understanding and Mitigating Classification Errors Through Interpretable Token Patterns [58.91023283103762]
  容易に解釈可能な用語でエラーを特徴付けることは、分類器が体系的なエラーを起こす傾向にあるかどうかを洞察する。 正しい予測と誤予測を区別するトークンのパターンを発見することを提案する。 提案手法であるPremiseが実際によく動作することを示す。
  論文  参考訳（メタデータ） (2023-11-18T00:24:26Z)
• HyPoradise: An Open Baseline for Generative Speech Recognition with Large Language Models [81.56455625624041]
  ASRの誤り訂正に外部の大規模言語モデル(LLM)を利用する最初のオープンソースベンチマークを導入する。 提案したベンチマークには、334,000組以上のN-best仮説を含む新しいデータセットHyPoradise (HP)が含まれている。 合理的なプロンプトと生成能力を持つLLMは、N-bestリストに欠けているトークンを修正できる。
  論文  参考訳（メタデータ） (2023-09-27T14:44:10Z)
• Understanding Factual Errors in Summarization: Errors, Summarizers, Datasets, Error Detectors [105.12462629663757]
  本研究では、既存の9つのデータセットから事実性エラーアノテーションを集約し、基礎となる要約モデルに従ってそれらを階層化する。 本稿では,この階層化ベンチマークにおいて,最近のChatGPTベースの指標を含む最先端の事実性指標の性能を比較し,その性能が様々な種類の要約モデルで大きく異なることを示す。
  論文  参考訳（メタデータ） (2022-05-25T15:26:48Z)
• On the Robustness of Language Encoders against Grammatical Errors [66.05648604987479]
  我々は、非ネイティブ話者から実際の文法的誤りを収集し、これらの誤りをクリーンテキストデータ上でシミュレートするために敵攻撃を行う。 結果,全ての試験モデルの性能は影響するが,影響の程度は異なることがわかった。
  論文  参考訳（メタデータ） (2020-05-12T11:01:44Z)

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。