論文の概要: The Environmental Cost of LLMs in AIED: Reporting and Practices

• arxiv url: http://arxiv.org/abs/2606.11215v1
• Date: Sun, 03 May 2026 00:50:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.842896
• Title: The Environmental Cost of LLMs in AIED: Reporting and Practices
• Title（参考訳）: AIEDにおけるLCMの環境コスト : 報告と実践
• Authors: Sabrina C. Eimler, Lukas Erle, Daniel Flood, Aditi Haiman, Luca Häckert, André Helgert, Lachlan McGinness, Büsra Yapici,
• Abstract要約: 近年,AIED(Artificial Intelligence in Education)コミュニティでは,LLM(Large Language Model)の使用が急速に普及している。 LLMの使用には、計算と環境のコストが伴う。 これらのコストは、これらの影響を計測し報告するための標準化された手順が欠如しているため、ほとんど隠蔽されている。
• 参考スコア（独自算出の注目度）: 1.9674381684480704
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Model (LLM) usage in recent years has become increasingly widespread in the Artificial Intelligence in Education (AIED) community. While LLMs offer unique avenues for learners and educators, using LLMs comes with computational and environmental costs. These costs are mostly hidden due to a lack of standardised procedures to measure and report these impacts. To address this gap, we first conducted a literature review of all papers published as part of the AIED 2025 conference proceedings, determining if and how computational or environmental costs of LLMs are reported. Most projects use LLMs, but few report computational resources used and almost none discuss environmental impacts of LLMs as an ethical concern. To address this lack of standardised reporting practices, we propose an open-source method for systematically measuring and reporting the computational expense of LLMs and environmental impact of running Machine Learning (ML) AIED systems. We provide software solutions to measure the carbon footprint for both local and cloud based hardware. We also provide an easy-to-use formula to calculate the computational expense of frontier LLMs even when the exact number of parameters is not known. Overall, we hope to motivate colleagues to use our method to strive for more transparent reporting of hidden costs of using LLMs in the AIED community.
• Abstract（参考訳）: 近年,AIED(Artificial Intelligence in Education)コミュニティでは,LLM(Large Language Model)の使用が急速に普及している。 LLMは学習者や教育者にユニークな道を提供するが、LLMの使用には計算と環境コストが伴う。 これらのコストは、これらの影響を計測し報告するための標準化された手順が欠如しているため、ほとんど隠蔽されている。 このギャップに対処するため、我々はAIED 2025会議手続きの一環として出版されたすべての論文の文献レビューを行い、LLMの計算的・環境的コストがいかに報告されるかを確認した。 ほとんどのプロジェクトは LLM を使用しているが、計算資源をほとんど報告しておらず、倫理的な懸念として LLM の環境への影響についてはほとんど議論していない。 標準化された報告手法の欠如に対処するため,LLMの計算コストと機械学習(ML)AIEDシステムの実行環境への影響を系統的に測定・報告するオープンソース手法を提案する。 ローカルおよびクラウドベースのハードウェアの炭素フットプリントを測定するためのソフトウェアソリューションを提供する。 また,パラメータの正確な数が分かっていない場合でも,フロンティア LLM の計算コストを計算するための計算式も提供する。 全体として、AIEDコミュニティでLLMを使用することによる隠れたコストをより透明に報告するために、我々の方法を使用するよう、同僚に動機付けたいと思っています。

関連論文リスト

• Pay for Hints, Not Answers: LLM Shepherding for Cost-Efficient Inference [7.865726406769634]
  小型言語モデル(SLM)は劇的なコスト削減を提供するが、精度はかなり遅い。 LLM Shepherdingは,LLMから短いプレフィックス(ヒント)のみを要求するフレームワークで,SLMに提供します。 シェパードはルーティングとカスケードの両方を一般化し、オラクルの意思決定において低コストを実現する。
  論文  参考訳（メタデータ） (2026-01-29T18:52:54Z)
• Demystify, Use, Reflect: Preparing students to be informed LLM-users [12.70014939919203]
  このコースでは、構造化され、批判的、実践的な方法で、LLM(Large Language Models)を導入します。 それは、学生がAIと有意義かつ責任を持って関与するために必要なスキルを開発するのを助けることを目的としている。
  論文  参考訳（メタデータ） (2025-11-14T04:43:49Z)
• LLM-Specific Utility: A New Perspective for Retrieval-Augmented Generation [110.610512800947]
  Retrieval-augmented Generation (RAG)は、外部知識を取り入れた大規模言語モデル(LLM)を強化する。 既存の研究はしばしばユーティリティをジェネリック属性として扱い、異なるLLMが同じ通路から異なる利益をもたらすという事実を無視している。
  論文  参考訳（メタデータ） (2025-10-13T12:57:45Z)
• Large Language Models: An Applied Econometric Framework [1.348318541691744]
  我々はこの問題に答えるための計量的枠組みを開発する。 LLMのトレーニングデータセットと研究者のサンプルの間に「漏れがない」という条件下では、予測問題にLLMを使用することは有効である。 これらの要件は厳密であり、それらが破られると、LLMの制限は信頼できない経験的推定をもたらす。
  論文  参考訳（メタデータ） (2024-12-09T22:37:48Z)
• LLM-PBE: Assessing Data Privacy in Large Language Models [111.58198436835036]
  大規模言語モデル(LLM)は多くのドメインに不可欠なものとなり、データ管理、マイニング、分析におけるアプリケーションを大幅に進歩させた。 この問題の批判的な性質にもかかわらず、LLMにおけるデータプライバシのリスクを総合的に評価する文献は存在しない。 本稿では,LLMにおけるデータプライバシリスクの体系的評価を目的としたツールキットであるLLM-PBEを紹介する。
  論文  参考訳（メタデータ） (2024-08-23T01:37:29Z)
• An Exploratory Study on Upper-Level Computing Students' Use of Large Language Models as Tools in a Semester-Long Project [2.7325338323814328]
  本研究の目的は、学期間ソフトウェアエンジニアリングプロジェクトにおいて、計算学生のLSMの使用経験とアプローチを検討することである。 我々はPurdue大学の上級ソフトウェア工学コースからデータを収集した。 本研究では,学生の利用パターンや学習成果に関連するテーマを特定するために,データを分析した。
  論文  参考訳（メタデータ） (2024-03-27T15:21:58Z)
• Small Models, Big Insights: Leveraging Slim Proxy Models To Decide When and What to Retrieve for LLMs [60.40396361115776]
  本稿では,スリムプロキシモデルを用いた大規模言語モデル (LLM) における知識不足を検知する新しい協調手法であるSlimPLMを提案する。 パラメータがはるかに少ないプロキシモデルを採用し、回答を回答としています。 ヒューリスティックな回答は、LLM内の既知の未知の知識と同様に、ユーザの質問に答えるために必要な知識を予測するのに使用される。
  論文  参考訳（メタデータ） (2024-02-19T11:11:08Z)

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。