論文の概要: LaTA: A Drop-in, FERPA-Compliant Local-LLM Autograder for Upper-Division STEM Coursework

• arxiv url: http://arxiv.org/abs/2605.05410v1
• Date: Wed, 06 May 2026 20:06:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.401725
• Title: LaTA: A Drop-in, FERPA-Compliant Local-LLM Autograder for Upper-Division STEM Coursework
• Title（参考訳）: LaTA: 上科STEMコース用ドロップイン・FERPA対応ローカルLLMオートグレーダ
• Abstract要約: 我々は、$textitLaTA (textitLa Teaching Assistant)$という、コモディティネイティブハードウェア上で完全にオンプレミスで動作する、ドロップインでオープンソースのルーリックを提示する。 LaTAは4段階のパイプライン(最高、セグメント、グレード、レポート)を実装し、ローカルにホストされたオープンウェイトチェーンのLLMグレーダを使用している。 私たちは2026年冬にオレゴン州立大学のME 373(Mechanical Engineering Methods)にLaTAをデプロイし、毎週1つのMac Studioで約200人の学生に割り当てた。
• 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: Large-language-model (LLM) graders promise to relieve the grading burden of upper-division STEM courses, but most deployments to date send student work to third-party APIs, violating FERPA and exposing institutions to data risk while requiring substantial assignment modification. We present $\textbf{LaTA}\ (\textit{LaTeX Teaching Assistant})$, a drop-in, open-source autograder that runs entirely on commodity on-premises hardware and assumes a LaTeX-native workflow already adopted by many engineering and physics courses. LaTA implements a four-stage pipeline (ingest, segment, grade, report) using a locally hosted open-weight chain-of-thought LLM grader (gpt-oss:120b) that compares student work to an instructor-authored reference solution and applies a YAML rubric with binary per-item scoring. We deployed LaTA in Winter~2026 in ME 373 (Mechanical Engineering Methods) at Oregon State University, grading every weekly assignment for approximately 200 students on a single Mac Studio at \$0 marginal cost per assignment and 1--3 minutes of wall-clock time per submission, enabling regrading of corrected assignments and greatly expanded TA office hour offerings. The instructor-confirmed grading-error rate held at roughly $0.02$--$0.04\%$ per rubric line item across the term. Relative to the same instructor's previous traditionally-graded cohort, the LaTA-graded cohort outperformed by approximately $11\%$ on the midterm exam and $8\%$ on the final exam, and reported large gains in self-assessed confidence on every stated learning objective ($N = 159$ survey responses, $Δ\geq +1.49$ Likert points, $p < 10^{-27}$ on every comparison). We release the code under AGPLv3.
• Abstract（参考訳）: 大規模言語モデル(LLM)グレーダーは、上級STEMコースの負担軽減を約束するが、これまでの展開のほとんどは、学生の作業をサードパーティのAPIに送信し、FERPAに違反し、施設をデータリスクに晒し、実質的な割り当て修正を必要としている。 我々は、コモディティなオンプレミスハードウェアで完全に動作するドロップインのオープンソースオートグレーダである$\textbf{LaTA}\ (\textit{LaTeX teaching Assistant})$を提示し、LaTeXネイティブワークフローを多くの工学と物理学のコースですでに採用していると仮定する。 LaTA は 4 段階のパイプライン (ingest, segment, grade, report) を実装しており、LLM グレーダ (gpt-oss:120b) をローカルにホストしている。 オレゴン州立大学のME 373(Mechanical Engineering Methods)に2026年冬から2026年冬までLaTAを配備し,1回のMac Studioで約200名の学生を対象に,1回当たり0ドル,1回あたり1～3分という限界費用で週1回,修正した課題の段階的な改善と,TAオフィス時間の提供の大幅な拡大を実現した。 インストラクターが確認したグレーディングエラー率は、約0.02$--$0.04\%である。 ラタ級コーホート(LaTA級コーホート)は、従来のインストラクターのコホートと対照的に、中間試験で約11\%、最終試験で約8\%を上回り、全ての学習目標(N = 159$ 調査回答、$Δ\geq +1.49$ 類似点、$p < 10^{-27} )に対する自己評価の信頼度が大きく上昇したことを報告した。 コードをAGPLv3でリリースします。

関連論文リスト

• REFACTOR-VLA: Unsupervised Library Learning of Typed Motor Programs [0.0]
  ほとんどの視覚言語アクション(VLA)モデルはモノリシックである。 本稿では、再利用可能なスキルを学習するためのウェイク/スリープモデルシステムであるREFACTOR-VLAを紹介する。
  論文  参考訳（メタデータ） (2026-09-01T13:19:05Z)
• An Interactive Agent for Requirement-Driven Candidate Sourcing [75.63902836826038]
  最初の要件駆動型候補ソーシングエージェントであるsysを提示する。 それは、あいまいな人々の要求を正当化されたスレートに導き、検証し、回収し、検証する。 広さ (100%$カバレッジ 2.5times$ the yield) を支配し、フィールドに直交する。
  論文  参考訳（メタデータ） (2026-08-24T17:04:16Z)
• Keep Policy Gradient in Charge: Sibling-Guided Credit Distillation for Long-Horizon Tool-Use Agents [11.997694190254974]
  自己蒸留は、政策のロールアウトや特権教師を再利用することで、より密集的なシグナルを約束する。 しかし、トークンレベルの直接蒸留は、ツールの使用を静かに破壊できることを示す。 SGCD(Singing-Guided Credit Distillation)を導入する。
  論文  参考訳（メタデータ） (2026-06-10T19:53:20Z)
• The Tutoring Effectiveness Index: Predicting LLM Math Tutor Quality from Four Conversation Signals [0.12277343096128711]
  本研究では,Schoenfeld-Verifyキーワード比,数学ステップ密度,エンドクエストレート,ディープシンキング比プローブからのディープ推論ゲートを組み合わせた,学習自由な判定自由な4信号指標を提案する。 TEIで$N$候補から選択すると、事前不正シナリオの改善率は59.0%$から8.1.9%$まで上昇し、凍結したDeepSeek-R1-8Bベースで$N=8$となる。
  論文  参考訳（メタデータ） (2026-05-28T23:55:33Z)
• From Patches to Trajectories: Privileged Process Supervision for Software-Engineering Agents [56.31499185764872]
  教師の長い軌道上の監督された微調整(SFT)は、オープンソフトウェアエンジニアリング(SWE)エージェントに調査と推論を浸透させる主要な方法である。 本稿では,P2T (Patches-to-Trajectories) を提案する。P2T (Patches-to-Trajectories) は,P2T (Patches-to-Trajectories) において,P2T (Patches-to-Trajectories) とP2T (Patches-to-Trajectories) の2つの最適化法である。
  論文  参考訳（メタデータ） (2026-05-21T04:54:55Z)
• Topological Characterization of Churn Flow and Unsupervised Correction to the Wu Flow-Regime Map in Small-Diameter Vertical Pipes [0.0]
  特徴曲面(ECS)を用いた最初のトポロジに基づく特徴評価手法を提案する。 この研究はチャーンフローの最初の数学的定義を提供し、教師なしトポロジカル記述子は機械学的なモデルに挑戦し修正できることを示した。
  論文  参考訳（メタデータ） (2026-04-07T17:59:15Z)
• $\nabla$-Reasoner: LLM Reasoning via Test-Time Gradient Descent in Latent Space [71.23672814629448]
  $nabla$-Reasonerは、トークンログに対する差別化可能な最適化をデコードループに統合する反復生成フレームワークである。 $nabla$-Reasonerは、挑戦的な数学的推論ベンチマークで20%以上の精度の向上を実現している。
  論文  参考訳（メタデータ） (2026-03-05T08:42:54Z)
• In-Context Distillation with Self-Consistency Cascades: A Simple, Training-Free Way to Reduce LLM Agent Costs [15.204355975284658]
  微調整に伴う開発コストを発生させることなく, LLMエージェント推論コストを削減するための簡易な手法を提案する。 最も重要なことは、知識蒸留のアイデアを文脈内学習環境に適応させる$textitin-context distillation$を導入することである。 提案手法では,各エージェントステップで関連する教師のデモンストレーションを検索し,インコンテキストの事例として学生に提供し,ハエの教師行動の模倣を可能にする。
  論文  参考訳（メタデータ） (2025-12-02T09:11:05Z)
• Drag-and-Drop LLMs: Zero-Shot Prompt-to-Weights [75.83625828306839]
  textbfDrag-and-Drop LLMs (textitDnD)は、未ラベルのタスクプロンプトをLoRAの重み更新に直接マッピングすることで、タスク単位のトレーニングを廃止する。 ライトウェイトテキストエンコーダは、各プロンプトバッチを条件埋め込みに蒸留し、カスケードされた超畳み込みデコーダによって全LORA行列に変換する。
  論文  参考訳（メタデータ） (2025-06-19T15:38:21Z)
• Efficient Algorithms for Logistic Contextual Slate Bandits with Bandit Feedback [0.8287206589886881]
  本稿では,ロジスティック・コンテクスト・スレート・バンド問題について考察する。 選択したスレートに対して、ロジスティックモデルにより決定された単一のバイナリ報酬が観測される。 本稿では,Slate-GLM-OFUとSlate-GLM-TSの2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-06-16T07:19:02Z)
• Simple yet Effective Semi-supervised Knowledge Distillation from Vision-Language Models via Dual-Head Optimization [47.38380084735716]
  大規模な画像テキストペアで事前訓練された視覚教師付きモデル(VLM)は、顕著なゼロ/フェーショット性能を示した。 知識蒸留(KD)は、VLM能力を伝達するための自然な枠組みを提供するが、監督と蒸留の損失の間の勾配の衝突に悩まされる。 本稿では,異なる信号に対して2つの予測ヘッドを導入するDual-Head Optimization (DHO)を提案する。
  論文  参考訳（メタデータ） (2025-05-12T15:39:51Z)
• Towards Efficient Automatic Self-Pruning of Large Language Models [55.90119819642064]
  トレーニング後の構造化プルーニングは、トレーニングを必要とせずに大規模言語モデルを熟成する有望なソリューションである。 この問題を緩和する鍵は、各レイヤのプルーニング率を正確に決定することにある、と我々は主張する。 我々は、レイヤワイドプルーニングレートを効率的に検索するLLMのためのエンドツーエンドの自動自動プルーニングフレームワークである$textbfSelf-Prunerを紹介した。
  論文  参考訳（メタデータ） (2025-02-20T09:59:50Z)
• Blending LLMs into Cascaded Speech Translation: KIT's Offline Speech Translation System for IWSLT 2024 [61.189875635090225]
  大規模言語モデル (LLM) は現在,自動音声認識 (ASR) や機械翻訳 (MT) ,さらにはエンドツーエンド音声翻訳 (ST) など,さまざまなタスクを探索中である。
  論文  参考訳（メタデータ） (2024-06-24T16:38:17Z)
• Aligning Language Models with Demonstrated Feedback [58.834937450242975]
  Demonstration ITerated Task Optimization (DITTO)は、言語モデルの出力とユーザの実証された振る舞いを直接調整する。 我々は,DITTOがニュース記事やメール,ブログ記事などのドメイン間できめ細かいスタイルやタスクアライメントを学習する能力を評価する。
  論文  参考訳（メタデータ） (2024-06-02T23:13:56Z)
• In-Context Learning for Extreme Multi-Label Classification [29.627891261947536]
  数千のクラスを持つマルチラベル分類問題は、文脈内学習だけでは解決が難しい。 本稿では,これらの問題に効率的に対処するために,LMとレトリバー間のマルチステップインタラクションを定義する汎用プログラムを提案する。 我々のソリューションは微調整を必要とせず、新しいタスクに容易に適用でき、迅速なエンジニアリングを緩和し、ラベル付きサンプルを数十個しか必要としない。
  論文  参考訳（メタデータ） (2024-01-22T18:09:52Z)
• Scaling Distributed Multi-task Reinforcement Learning with Experience Sharing [38.883540444516605]
  DARPAはShELLプログラムを立ち上げた。これは、経験共有が分散生涯学習エージェントにどのように役立つかを探求することを目的としている。 分散マルチタスク強化学習(RL)の理論的および実証的研究を行い、N$エージェントのグループがM$タスクを協調的に解決する。 我々はDistMT-LSVIと呼ばれるアルゴリズムを提案し、各エージェントは独立に$epsilon$-optimal Policyを全ての$M$タスクに対して学習する。
  論文  参考訳（メタデータ） (2023-07-11T22:58:53Z)
• Blessing of Class Diversity in Pre-training [54.335530406959435]
  事前学習タスクのクラスが十分に多種多様である場合、事前学習は下流タスクのサンプル効率を大幅に向上させることができることを示す。 我々の証明は、合成関数クラスに対するベクトル形式ラデマッハ複雑性連鎖則と修正自己調和条件に依存している。
  論文  参考訳（メタデータ） (2022-09-07T20:10:12Z)

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。