論文の概要: Fighting AI with AI: AI-Agent Augmented DNS Blocking of LLM Services during Student Evaluations

• arxiv url: http://arxiv.org/abs/2604.02360v1
• Date: Fri, 20 Mar 2026 21:02:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-12 18:41:08.527828
• Title: Fighting AI with AI: AI-Agent Augmented DNS Blocking of LLM Services during Student Evaluations
• Title（参考訳）: AIでAIと戦う - 学生評価におけるLLMサービスのAIベースのDNSブロック
• Authors: Yonas Kassa, James Bonacci, Ping Wang,
• Abstract要約: AIエージェント拡張DNSベースのフレームワークであるAI-Sinkholeを紹介する。 予知試験中に出現する大規模言語モデル(LLM)を動的に発見し、意味的に分類し、一時的にネットワーク全体にわたってブロックする。 量子化LDM(LLama 3, DeepSeek-R1, Qwen-3)と、Pi-Holeによる動的DNSブロッキングによる説明可能な分類を提供する。
• 参考スコア（独自算出の注目度）: 1.9980992066460264
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The transformative potential of large language models (LLMs) in education, such as improving accessibility and personalized learning, is being eclipsed by significant challenges. These challenges stem from concerns that LLMs undermine academic assessment by enabling bypassing of critical thinking, leading to increased cognitive offloading. This emerging trend stresses the dual imperative of harnessing AI's educational benefits while safeguarding critical thinking and academic rigor in the evolving AI ecosystem. To this end, we introduce AI-Sinkhole, an AI-agent augmented DNS-based framework that dynamically discovers, semantically classifies, and temporarily network-wide blocks emerging LLM chatbot services during proctored exams. AI-Sinkhole offers explainable classification via quantized LLMs (LLama 3, DeepSeek-R1, Qwen-3) and dynamic DNS blocking with Pi-Hole. We also share our observations in using LLMs as explainable classifiers which achieved robust cross-lingual performance (F1-score > 0.83). To support future research and development in this domain initial codes with a readily deployable 'AI-Sinkhole' blockist is available on https://github.com/AIMLEdu/ai-sinkhole.
• Abstract（参考訳）: アクセシビリティやパーソナライズドラーニングの改善など、教育における大きな言語モデル(LLM)の変革的ポテンシャルは、重大な課題によって誇張されている。 これらの課題は、LLMが批判的思考をバイパスすることで学術的評価を損なうという懸念から来ており、認知的オフロードの増加につながっている。 この新興トレンドは、進化するAIエコシステムにおいて、批判的思考と学術的厳密さを守りながら、AIの教育的利益を活用するという二重の衝動を強調している。 この目的のために、AIエージェントによる拡張DNSベースのフレームワークであるAI-Sinkholeを導入し、事前試験中に出現するLLMチャットボットサービスを動的に発見し、セマンティックに分類し、一時的にネットワーク全体にわたってブロックする。 AI-Sinkholeは、量子化LDM(LLama 3, DeepSeek-R1, Qwen-3)と、Pi-Holeによる動的DNSブロッキングによる説明可能な分類を提供する。 また,LLMをロバストな言語間性能(F1-score > 0.83)を実現するための説明可能な分類器として用いる際の観察結果を共有した。 このドメインで将来の研究と開発をサポートするため、'AI-Sinkhole'ブロッカーをデプロイ可能な初期コードはhttps://github.com/AIMLEdu/ai-sinkholeで利用可能である。

関連論文リスト

• Embodied AI: From LLMs to World Models [65.68972714346909]
  人工知能(AI)は、人工知能(AGI)を実現するためのインテリジェントシステムパラダイムである。 近年のLarge Language Models(LLMs)とWorld Models(WMs)のブレークスルーは、AIを具現化する上で大きな注目を集めている。
  論文  参考訳（メタデータ） (2025-09-24T11:37:48Z)
• Can We Trust AI Agents? A Case Study of an LLM-Based Multi-Agent System for Ethical AI [10.084913433923566]
  AIベースのシステムは、多様なタスクをサポートすることによって数百万に影響を及ぼすが、誤情報、偏見、誤用といった問題に直面している。 本研究では,Large Language Models (LLM) を用いたAI倫理の実践について検討する。 エージェントがAIインシデントデータベースから現実のAI倫理問題に関する構造化された議論を行うプロトタイプを設計する。
  論文  参考訳（メタデータ） (2024-10-25T20:17:59Z)
• BadRobot: Jailbreaking Embodied LLMs in the Physical World [20.96351292684658]
  Embodied AIは、AIが物理的エンティティに統合されるシステムを表す。 大きな言語モデル(LLM)は強力な言語理解能力を示す。 我々は,従来の音声ベースのユーザシステムインタラクションを通じて,LLMを安全性や倫理的制約に違反させることを目的とした,新たな攻撃パラダイムであるBadRobotを紹介した。
  論文  参考訳（メタデータ） (2024-07-16T13:13:16Z)
• Converging Paradigms: The Synergy of Symbolic and Connectionist AI in LLM-Empowered Autonomous Agents [55.63497537202751]
  コネクショニストと象徴的人工知能(AI)の収束を探求する記事 従来、コネクショナリストAIはニューラルネットワークにフォーカスし、シンボリックAIはシンボリック表現とロジックを強調していた。 大型言語モデル(LLM)の最近の進歩は、人間の言語をシンボルとして扱う際のコネクショナリストアーキテクチャの可能性を強調している。
  論文  参考訳（メタデータ） (2024-07-11T14:00:53Z)
• Learning to Prompt in the Classroom to Understand AI Limits: A pilot study [35.06607166918901]
  大規模言語モデル(LLM)と、ChatGPTのような派生したチャットボットは、AIシステムの自然言語処理能力を大幅に改善した。 しかし、AI手法が顕著な貢献を示しているにもかかわらず、興奮は否定的な感情を引き起こしている。 パイロット教育は21人の生徒を抱えた高校で実施された。
  論文  参考訳（メタデータ） (2023-07-04T07:51:37Z)
• Two Decades of AI4NETS-AI/ML for Data Networks: Challenges & Research Directions [4.9469703779632415]
  人工知能(AI)と、AIへのアプローチとしての機械学習(ML)の人気は、ここ数年で劇的に増加している。 ネットワークを学習エージェントにしようとする試みは多いが、ネットワークにおけるAI/MLの適用の成功は限られている。 AI/MLベースのソリューションには強い抵抗があり、広範な学術研究と実際のデプロイメントとの間には大きなギャップがある。
  論文  参考訳（メタデータ） (2020-03-03T00:36:17Z)

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。