論文の概要: Data Aphasia: An Institutional Counterfactual Study of the Stability of Academic Cognition Under Letter-Grade Evaluation Systems
- arxiv url: http://arxiv.org/abs/2606.12946v1
- Date: Thu, 11 Jun 2026 06:19:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-12 15:55:27.614713
- Title: Data Aphasia: An Institutional Counterfactual Study of the Stability of Academic Cognition Under Letter-Grade Evaluation Systems
- Title（参考訳）: データ失語:レターグレード評価システムにおける学術認知の安定性に関する制度実証的研究
- Authors: Li Li, Yu Cao,
- Abstract要約: データ失語(Data aphasia)とは、制度的に強制されたデータ提示によって引き起こされる診断情報表現の制限のこと。
小学校の児童生徒75名を対象に実施した68の数学試験のデータを用いて,A/B/C/D文字の得点をA/B/C/D文字の成績に変換するために,制度的対実シミュレーション手法を用いた。
その結果,情報エントロピーはグレード変換後に約69%減少することがわかった。
- 参考スコア（独自算出の注目度）: 6.7650739928761245
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Does the letter-grade evaluation system, while achieving its burden-reduction goals, affect the education system's stable understanding of students' academic structures? This paper introduces the concept of "data aphasia," referring to restrictions on diagnostic information expression caused by institutionally mandated forms of data presentation. Using data from 68 mathematics examinations administered to 75 primary school students, we employ an institutional counterfactual simulation method to convert percentage scores into A/B/C/D letter grades and conduct systematic tests at the information, structural, and diagnostic levels. Results show that information entropy decreases by approximately 69% after grade conversion; under the full sample, the letter-grade system appears superficially stable (K=4), but removing a single extreme anchor student causes the optimal K to increase from 4 to 8 and individual diagnostic identity consistency to fall from 95% to 62%; temporal consistency fluctuates between 52% and 96%, far below the 93%-96% baseline of the percentage system. Mechanism analysis indicates that discretization compresses the feature space by approximately nineteenfold across 68 examinations; after standardization, it creates extensive pseudo-heterogeneity regions, flattens density gradients, and makes clustering boundaries highly sensitive to minor perturbations. Based on these findings, this paper proposes a dual-track evaluation mechanism and provides a testable analytical framework for understanding the cognitive costs of educational evaluation reform.
- Abstract（参考訳）: 受講生の負担削減目標を達成しつつ、学生の学歴の安定的理解に影響を及ぼすか。
本稿では,「データ失語」という概念を紹介し,制度的に管理されたデータ提示による診断情報表現の制限について述べる。
小学校の児童生徒75名を対象に実施された68の数学試験のデータを用いて,A/B/C/D文字のスコアをA/C/D文字のグレードに変換し,情報,構造,診断レベルで体系的な試験を行う。
その結果, 情報エントロピーは, コンバージョン後の約69%減少し, フルサンプル下では, 文字グレードシステムは表向きに安定なように見える(K=4)が, 極端アンカーを除去すると, 最適Kは4から8に増加し, 個別の診断的アイデンティティ一貫性は95%から62%に低下し, 時間的一貫性は52%から96%に低下し, パーセンテージシステムの93%から96%のベースラインをはるかに下回った。
メカニズム解析により、68の試験において、離散化は特徴空間を約19倍圧縮し、標準化後、広い擬似不均一領域を生成し、密度勾配を平坦化し、クラスタリング境界を小さな摂動に非常に敏感にすることを示した。
そこで本研究では,2トラック評価機構を提案し,教育評価改革の認知的コストを理解するための検証可能な分析フレームワークを提供する。
関連論文リスト
- FairMed-XGB: A Bayesian-Optimised Multi-Metric Framework with Explainability for Demographic Equity in Critical Healthcare Data [1.7915158401181968]
批判的ケア設定にデプロイされた機械学習モデルは、人口統計バイアス、特に性別格差を示す。
本稿では,ジェンダーベースの予測バイアスを体系的に検出し緩和する新しいフレームワークであるFairMed-XGBを紹介する。
FairMed-XGBは、公平な臨床試験のための堅牢で解釈可能で倫理的に整合したソリューションを提供する。
論文 参考訳（メタデータ） (2026-03-16T07:57:40Z) - Evolving Diagnostic Agents in a Virtual Clinical Environment [75.59389103511559]
本稿では,大規模言語モデル(LLM)を強化学習を用いた診断エージェントとして訓練するためのフレームワークを提案する。
本手法は対話型探索と結果に基づくフィードバックによって診断戦略を取得する。
DiagAgentはDeepSeek-v3やGPT-4oなど、最先端の10のLLMを著しく上回っている。
論文 参考訳（メタデータ） (2025-10-28T17:19:47Z) - Assessing the robustness of heterogeneous treatment effects in survival analysis under informative censoring [50.164756034797136]
臨床研究ではドロップアウトが一般的で、副作用やその他の理由で患者の半数以上が早期に退院する。
ドロップアウトが有益な場合、治療効果の推定値にもバイアスがかかるため、検閲バイアスが導入される。
検閲バイアスに直面した場合の生存分析における条件平均処理効果推定のロバスト性を評価するための仮定リーンフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-15T10:51:17Z) - The Role of Review Process Failures in Affective State Estimation: An Empirical Investigation of DEAP Dataset [0.45080838507508303]
感情認識のためのDEAPデータセットについて101つの研究を概観した。
レビューされた論文の87%近くが、これらのエラーを1つ以上含んでいることがわかった。
これらの結果は、標準化された評価実践における根本的なギャップを明らかにし、神経科学における機械学習応用のためのピアレビュープロセスにおける重要な欠陥を強調している。
論文 参考訳（メタデータ） (2025-08-04T13:40:25Z) - Medical Reasoning in the Era of LLMs: A Systematic Review of Enhancement Techniques and Applications [59.721265428780946]
医学における大きな言語モデル(LLM)は印象的な能力を実現しているが、体系的で透明で検証可能な推論を行う能力に重大なギャップが残っている。
本稿は、この新興分野に関する最初の体系的なレビューを提供する。
本稿では,学習時間戦略とテスト時間メカニズムに分類した推論強化手法の分類法を提案する。
論文 参考訳（メタデータ） (2025-08-01T14:41:31Z) - AI-based identification and support of at-risk students: A case study of the Moroccan education system [5.199084419479099]
学生の退学は、個人的、家族的、学術的要因に影響される世界的な問題である。
本稿では,退学リスクのある学生を識別するAIによる予測モデル手法を提案する。
論文 参考訳（メタデータ） (2025-04-09T13:30:35Z) - Uncertainty-aware abstention in medical diagnosis based on medical texts [87.88110503208016]
本研究は,AI支援医療診断における信頼性の重要課題について論じる。
本研究は,診断に自信がなければ,診断システムによる意思決定の回避を可能にする選択予測手法に焦点をあてる。
我々は、選択予測タスクにおける信頼性を高めるための新しい最先端手法であるHUQ-2を紹介する。
論文 参考訳（メタデータ） (2025-02-25T10:15:21Z) - Machine Learning Approaches for Mental Illness Detection on Social Media: A Systematic Review of Biases and Methodological Challenges [0.037693031068634524]
本稿では,ソーシャルメディアデータを用いた精神疾患検出のための機械学習モデルについて検討する。
機械学習ライフサイクル全体で発生するバイアスと方法論上の課題を強調します。
これらの課題を克服することで、将来の研究はソーシャルメディア上での抑うつ検出のためのより堅牢で一般化可能なMLモデルを開発することができる。
論文 参考訳（メタデータ） (2024-10-21T17:05:50Z) - Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。
具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。
大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
論文 参考訳（メタデータ） (2021-03-07T03:10:32Z)
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。