論文の概要: Applications of the Transformer Architecture in AI-Assisted English Reading Comprehension
- arxiv url: http://arxiv.org/abs/2604.23615v1
- Date: Sun, 26 Apr 2026 09:11:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.463536
- Title: Applications of the Transformer Architecture in AI-Assisted English Reading Comprehension
- Title（参考訳）: AI支援英語読解理解におけるトランスフォーマーアーキテクチャの適用
- Authors: Ping Li,
- Abstract要約: 本稿では、英語読解のための解釈可能かつ公正な人工知能アーキテクチャについて研究する。
学習環境における解釈可能性の欠如、アルゴリズムバイアスの低減、信頼できないパフォーマンスが、現在自然言語教育で直面している問題である。
提案手法は,異なる学習者に対して高い予測精度と公平性を確保することを目的としている。
- 参考スコア（独自算出の注目度）: 7.644563519492337
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper studies interpretable and fair artificial intelligence architectures for understanding English reading. Introduced transformer-based models, integrating advanced attention mechanisms and gradient-based feature attribution. The model's lack of interpretability, reduction of algorithmic bias, and unreliable performance in learning environments are the current issues faced in natural language teaching. A unified technical pipeline has been constructed, including adversarial bias correction methods, token-level attribution analysis, and multi-head attention heatmap visualization. Experimental validation was conducted using a large-scale labeled English reading comprehension dataset, and the data partitioning scheme and parameter optimization procedures have been determined. The method significantly outperforms the state-of-the-art models for this task in terms of accuracy and macro-average F1 score; in some aspects, it even surpasses or closely matches the results of human evaluations. In multi-week user experiments, the explainable transformer improved teachers' trust and operability in feedback-based assessments within the scoring system. The proposed method aims to ensure high prediction accuracy and fairness for different learners. This indicates that it is a real-world educational application based on artificial intelligence with a focus on interpretation. Improve the user experience in AI-assisted reading comprehension systems, counteract biases, and enhance the details explained by transformers.
- Abstract（参考訳）: 本稿では、英語読解のための解釈可能かつ公正な人工知能アーキテクチャについて研究する。
高度な注意機構と勾配に基づく特徴属性を統合したトランスフォーマーベースモデルの導入。
学習環境における解釈可能性の欠如、アルゴリズムバイアスの低減、信頼できないパフォーマンスが、現在自然言語教育で直面している問題である。
対向バイアス補正法,トークンレベルの属性分析,マルチヘッドアテンション・ヒートマップ可視化など,統一された技術パイプラインが構築されている。
大規模ラベル付き英語読解データセットを用いて実験検証を行い,データ分割方式とパラメータ最適化手法を決定した。
この手法は、精度とマクロ平均F1スコアの観点から、このタスクの最先端モデルを大幅に上回る。
複数週間のユーザ実験において、説明可能なトランスフォーマーは、スコアリングシステム内のフィードバックに基づく評価において、教師の信頼と操作性を改善した。
提案手法は,異なる学習者に対して高い予測精度と公平性を確保することを目的としている。
これは、人工知能に基づく現実世界の教育アプリケーションであり、解釈に重点を置いていることを示している。
AI支援読解システムにおけるユーザエクスペリエンスの向上、バイアス対策、トランスフォーマーによる詳細説明の強化。
関連論文リスト
- Applied Explainability for Large Language Models: A Comparative Study [0.0]
本稿では,統合グラディエント,アテンションロールアウト,SHAPの3つの説明可能性技術の比較を行った。
その結果、勾配に基づく帰属はより安定で直感的な説明を提供することが示された。
作業は説明可能性メソッド間の重要なトレードオフを強調し、決定的な説明よりも診断ツールとしての役割を強調します。
論文 参考訳（メタデータ） (2026-04-15T13:07:29Z) - Learn to Rank: Visual Attribution by Learning Importance Ranking [58.69028273772474]
コンピュータビジョンモデルのための視覚属性マップを生成する新しい手法を提案する。
提案手法は, 任意の数段階の勾配補正を施した1つの前方通過において, 密度の高い画素レベルの属性を生成する。
我々の実験は、一貫した定量的改善と、よりシャープで境界に沿った説明を示す。
論文 参考訳（メタデータ） (2026-04-07T12:53:22Z) - FOSSIL: Harnessing Feedback on Suboptimal Samples for Data-Efficient Generalisation with Imitation Learning for Embodied Vision-and-Language Tasks [45.65159253753118]
この研究は、模倣学習で訓練されたエージェントが最適と準最適の両方から堅牢な表現を学習する方法を探求する。
入力シーケンスの一部として言語フィードバックの埋め込みをTransformerベースのポリシーに組み込む。
独自のBabyAI-XGen環境における視覚・言語タスクの具体化について,本手法を検証した。
論文 参考訳（メタデータ） (2025-10-13T11:55:21Z) - From Black Box to Transparency: Enhancing Automated Interpreting Assessment with Explainable AI in College Classrooms [0.6650227510403052]
本稿では,機能工学,データ拡張,説明可能な機械学習を統合した多次元モデリングフレームワークを提案する。
このアプローチは、構成関連で透明な特徴のみを活用することにより、ブラックボックスの予測よりも説明可能性を重視する。
論文 参考訳（メタデータ） (2025-08-14T17:31:18Z) - Advancements in Natural Language Processing: Exploring Transformer-Based Architectures for Text Understanding [10.484788943232674]
本稿では,BERT や GPT などのトランスフォーマーモデルの進歩を考察し,テキスト理解タスクにおける優れた性能に着目した。
その結果、GLUEやSQuADのようなベンチマークでは、高い計算コストなどの課題はあるものの、F1スコアが90%を超えている。
論文 参考訳（メタデータ） (2025-03-26T04:45:33Z) - Sentiment analysis of texts from social networks based on machine learning methods for monitoring public sentiment [0.0]
本研究では,リアルタイムソーシャルネットワークの世論モニタリングを改善するために,機械学習を利用した感情分析システムを開発した。
このシステムは、現実世界のシナリオでトランスフォーマーモデルを使用して最大80-85%の精度を達成した。
システムの性能は素晴らしいが、計算オーバーヘッド、データ品質、ドメイン固有の用語に関する問題がまだ残っている。
論文 参考訳（メタデータ） (2025-02-24T13:34:35Z) - A distributional simplicity bias in the learning dynamics of transformers [50.91742043564049]
自然言語データに基づいてトレーニングされたトランスフォーマーは、単純さのバイアスも示している。
具体的には、入力トークン間の多体相互作用を逐次学習し、低次相互作用の予測誤差において飽和点に達する。
このアプローチは、自然言語処理などにおいて、データ内の異なる順序の相互作用が学習にどのように影響するかを研究する可能性を開く。
論文 参考訳（メタデータ） (2024-10-25T15:39:34Z) - DETAIL: Task DEmonsTration Attribution for Interpretable In-context Learning [75.68193159293425]
インコンテキスト学習(ICL)により、トランスフォーマーベースの言語モデルでは、パラメータを更新することなく、いくつかの"タスクデモ"で特定のタスクを学習することができる。
ICLの特徴に対処する影響関数に基づく帰属手法DETAILを提案する。
ホワイトボックスモデルで得られた属性スコアがブラックボックスモデルに転送可能であることを示すことにより、モデル性能を向上させる上で、DETAILの広範な適用性を実験的に証明する。
論文 参考訳（メタデータ） (2024-05-22T15:52:52Z) - Explaining Text Similarity in Transformer Models [52.571158418102584]
説明可能なAIの最近の進歩により、トランスフォーマーの説明の改善を活用することで、制限を緩和できるようになった。
両線形類似性モデルにおける2次説明の計算のために開発された拡張であるBiLRPを用いて、NLPモデルにおいてどの特徴相互作用が類似性を促進するかを調べる。
我々の発見は、異なる意味的類似性タスクやモデルに対するより深い理解に寄与し、新しい説明可能なAIメソッドが、どのようにして深い分析とコーパスレベルの洞察を可能にするかを強調した。
論文 参考訳（メタデータ） (2024-05-10T17:11:31Z) - Interpretable Multi-dataset Evaluation for Named Entity Recognition [110.64368106131062]
本稿では,名前付きエンティティ認識(NER)タスクに対する一般的な評価手法を提案する。
提案手法は,モデルとデータセットの違いと,それらの間の相互作用を解釈することを可能にする。
分析ツールを利用可能にすることで、将来の研究者が同様の分析を実行し、この分野の進歩を促進することができる。
論文 参考訳（メタデータ） (2020-11-13T10:53:27Z)
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。