論文の概要: REC-CBM: Rubric-Aware Error-Correction Concept Bottleneck Models for Trustworthy Open-Ended Grading

• arxiv url: http://arxiv.org/abs/2605.27402v1
• Date: Fri, 24 Apr 2026 00:44:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 02:55:43.01311
• Title: REC-CBM: Rubric-Aware Error-Correction Concept Bottleneck Models for Trustworthy Open-Ended Grading
• Title（参考訳）: REC-CBM: 信頼できるオープンエンドグレーディングのためのルブリック対応誤差補正概念ボトルネックモデル
• Authors: Chengshuai Zhao, Fan Zhang, Kumar Satvik Chaudhary, Yiwen Li, Lo Pang-Yun Ting, Ying-Chih Chen, Huan Liu,
• Abstract要約: 本稿では,信頼に値するオープンエンドグレーディングのためのルーリック認識型誤り訂正概念ボトルネックモデルREC-CBMを提案する。 それは、最先端のベースラインよりも忠実な概念レベルの推論を生み出します。 全体として、この研究は、教育者が自動決定を検査し、介入し、信頼することを可能にする、実践的で解釈可能なグレーディングソリューションを提供する。
• 参考スコア（独自算出の注目度）: 11.935308398286361
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open-ended grading is central to equitable and personalized education, yet manual grading remains time-consuming and costly, underscoring the need for automated grading systems. Although recent neural and large language model (LLM) based systems have demonstrated superior performance, they are typically black-box models whose scoring processes and rationales are difficult for educators to verify and trust. Concept bottleneck models (CBMs) have emerged as a promising approach by routing predictions through human-interpretable concepts, providing a mechanistic guarantee of transparency. However, standard CBMs are not tailored to open-ended grading: they do not explicitly model fine-grained rubric dimensions, inadequately capture the ordinal semantics of scoring scales, and neglect inherent reliability issues in human concept annotations. To address these limitations, we propose REC-CBM, a rubric-aware error-correction concept bottleneck model for trustworthy open-ended grading. REC-CBM introduces a rubric-aware concept encoder that learns concept-specific representations over responses and an ordinal pairwise calibration objective that preserves ranking structure among rubric dimensions. It further incorporates a latent concept error-correction module that denoises concept predictions before final grade prediction while preserving interpretability. Comprehensive experiments on publicly available datasets show that REC-CBM consistently improves grading performance and produces more faithful concept-level reasoning than both state-of-the-art baselines. Further analyses validate the contribution of each component and demonstrate the applicability in realistic educational settings. Overall, this work provides a practical, interpretable grading solution that enables educators to inspect, intervene in, and trust automated decisions, advancing more transparent and trustworthy education.
• Abstract（参考訳）: オープンエンドグレーティングは、平等でパーソナライズされた教育の中心であるが、手動グレーディングは時間とコストがかかり、自動化されたグレーティングシステムの必要性が強調されている。 最近のニューラル言語モデル(LLM)ベースのシステムは優れた性能を示しているが、通常はブラックボックスモデルであり、スコアリングプロセスと合理性は、教育者が検証と信頼を困難にしている。 概念ボトルネックモデル(CBM)は、人間の解釈可能な概念を通じて予測をルーティングし、透明性を機械的に保証することで、有望なアプローチとして現れてきた。 しかし、標準のCBMはオープンエンドグレーディングに適合せず、きめ細かなルーブリック次元を明示的にモデル化せず、スコアリングスケールの順序的意味論を不十分に捉え、人間の概念アノテーションに固有の信頼性問題を無視する。 これらの制約に対処するため、信頼に値するオープンエンドグレーディングのためのルーリック認識型誤り訂正概念ボトルネックモデルREC-CBMを提案する。 REC-CBMは、応答に対する概念固有の表現を学習するルーブリック認識の概念エンコーダと、ルーブリック次元のランキング構造を保存する順序対校正目的を導入する。 さらに、解釈可能性を維持しながら最終段階の予測の前に概念予測を識別する潜在概念の誤り訂正モジュールも組み込まれている。 公開データセットに関する総合的な実験は、REC-CBMが常にグレーディング性能を改善し、最先端のベースラインよりも忠実な概念レベルの推論を生成することを示している。 さらに、各コンポーネントの貢献を検証し、現実的な教育環境における適用性を示す。 全体として、この研究は、教育者が自動決定を検査し、介入し、信頼し、より透明で信頼できる教育を進めることができる実践的で解釈可能なグレーディングソリューションを提供する。

関連論文リスト

• UNBOX: Unveiling Black-box visual models with Natural-language [50.433977345786055]
  完全データフリー、勾配フリー、バックプロパゲーションフリー制約下でのクラスワイドモデル解離のためのフレームワークUNBOXを紹介する。 我々は,画像Net-1K,Waterbirds,CelebAのUNBOXを,意味的忠実度テスト,視覚的特徴相関分析,スライス発見監査を通じて評価した。
  論文  参考訳（メタデータ） (2026-03-09T17:16:39Z)
• Rethinking Concept Bottleneck Models: From Pitfalls to Solutions [53.84388497227224]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、人間の理解可能な概念の基底予測である。 CBM-Suiteはこれらの課題に対処するための方法論的なフレームワークである。
  論文  参考訳（メタデータ） (2026-03-05T19:37:49Z)
• Concepts' Information Bottleneck Models [9.435622803973898]
  概念ボトルネックモデル(Concept Bottleneck Models、CBM)は、人間の理解可能な概念層を通じて決定をルーティングすることで解釈可能な予測を提供することを目的としている。 I(C;Y)$でタスク関連情報を保存しながら$I(X;C)$をペナライズする概念層上に、明示的なInformation Bottleneck正規化器を導入し、最小限のコンセプト表現を奨励する。
  論文  参考訳（メタデータ） (2026-02-16T10:33:20Z)
• Controllable Concept Bottleneck Models [55.03639763625018]
  制御可能な概念ボトルネックモデル(CCBM) CCBMは、概念ラベルレベル、概念レベル、データレベルという3つのモデル編集の粒度をサポートする。 CCBMは、数学的に厳密な閉形式近似を享受し、再訓練の必要性を和らげる影響関数から導かれる。
  論文  参考訳（メタデータ） (2026-01-01T19:30:06Z)
• Towards more holistic interpretability: A lightweight disentangled Concept Bottleneck Model [5.700536552863068]
  概念ボトルネックモデル(CBM)は、人間の理解可能な概念を中間表現として予測することにより、解釈可能性を高める。 本稿では,視覚的特徴を意味論的に意味のある構成要素に自動的に分類する軽量なDECBMを提案する。 3つの多様なデータセットの実験により、LCDBMはより高い概念とクラス精度を達成し、解釈可能性と分類性能の両方において従来のCBMよりも優れていたことが示されている。
  論文  参考訳（メタデータ） (2025-10-17T15:59:30Z)
• Interpretable Reward Modeling with Active Concept Bottlenecks [54.00085739303773]
  本稿では,解釈可能な嗜好学習を可能にする報酬モデリングフレームワークであるConcept Bottleneck Reward Models (CB-RM)を紹介する。 不透明報酬関数に依存する標準的なRLHF法とは異なり、CB-RMは報酬予測を人間の解釈可能な概念に分解する。 我々は,最も情報性の高い概念ラベルを動的に取得する能動的学習戦略を定式化する。
  論文  参考訳（メタデータ） (2025-07-07T06:26:04Z)
• Interpretable Few-Shot Image Classification via Prototypical Concept-Guided Mixture of LoRA Experts [79.18608192761512]
  自己説明可能なモデル(SEM)は、視覚認識プロセスをより解釈可能なものにするために、プロトタイプ概念学習(PCL)に依存している。 パラメトリック不均衡と表現の不整合という2つの重要な課題を緩和するFew-Shotプロトタイプ概念分類フレームワークを提案する。 我々のアプローチは、既存のSEMを顕著な差で常に上回っており、5-way 5-shot分類では4.2%-8.7%の相対的な利得がある。
  論文  参考訳（メタデータ） (2025-06-05T06:39:43Z)
• Enhancing Interpretable Image Classification Through LLM Agents and Conditional Concept Bottleneck Models [15.97013792698305]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、画像分類を解釈可能で人間可読な概念によって管理されるプロセスに分解する。 環境フィードバックに応答してコンセプトバンクを調整する動的エージェントベースのアプローチを導入する。 また,従来のCBMの概念スコアリング機構の限界を克服するために,条件付き概念ボトルネックモデル(CoCoBM)を提案する。
  論文  参考訳（メタデータ） (2025-06-02T05:25:52Z)
• Linearly-Interpretable Concept Embedding Models for Text Analysis [9.340843984411137]
  線形解釈可能な概念埋め込みモデル(licEM)を提案する。 licEMs分類精度は既存の解釈可能なモデルよりも優れており、ブラックボックスモデルと一致する。 私たちのモデルが提供する説明は、既存のソリューションに対してより介入可能であり、慎重に整合していることを示します。
  論文  参考訳（メタデータ） (2024-06-20T14:04:53Z)
• Improving Concept Alignment in Vision-Language Concept Bottleneck Models [9.228586820098723]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、クラス予測を行う前に、イメージを人間の解釈可能な概念にマッピングする。 近年のアプローチでは、大規模言語モデル(LLM)にテキスト概念の生成を促すことでCBM構築を自動化する。 LLMによって生成されたものよりも、人間の専門家によって定義された概念でCBMを構築することが望まれる。
  論文  参考訳（メタデータ） (2024-05-03T03:02:00Z)

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。