論文の概要: Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction

• arxiv url: http://arxiv.org/abs/2606.18548v1
• Date: Tue, 16 Jun 2026 23:55:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:50.936185
• Title: Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction
• Title（参考訳）: 適応型AI倫理教育のための学習者モデリング信号としてのエンゲージメント強度
• Authors: Yongkyung Oh, Lynn Talton, Alex Bui,
• Abstract要約: 我々は,候補摂取の特徴,自己申告利用頻度,自己評価LDM親しみ,事前AI教育を比較した。 スケールの下端のしきい値のようなパターンは、トレーニングの興味と精度の信頼のために最もよく見える。 これらの結果から,簡易な事前指導行動信号は,適応型AI倫理教育のための軽量な摂取プロファイリングに影響を及ぼす可能性が示唆された。
• 参考スコア（独自算出の注目度）: 5.441911428976922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adaptive AI ethics instruction in graduate research training benefits from intake measures that reflect differences in prior LLM experience. Prior coursework or workshop attendance is an obvious candidate, but it is not clear whether it is associated with pre-instruction ratings on key AI perception items. We compare three candidate intake features, self-reported usage frequency, self-rated LLM familiarity, and prior AI education, across five baseline perception outcomes in 93 bioscience graduate and postdoctoral trainees enrolled in a required research ethics course. Usage frequency shows Holm-corrected associations with all five outcomes, self-rated familiarity with three, and prior AI education with none. A threshold-like pattern at the lower end of the scale is most visible for training interest and accuracy trust rather than appearing as a uniform gradient across all five outcomes. In a short intake survey, reported LLM use is more consistently associated with these perceptions than prior coursework or workshops, with self-rated familiarity serving as a secondary indicator. These results suggest that simple pre-instruction behavioral signals can inform lightweight intake profiling for adaptive AI ethics education.
• Abstract（参考訳）: 大学院研究研修における適応型AI倫理指導は、以前のLLM経験の違いを反映した吸気対策の恩恵を受ける。 以前のコースワークやワークショップの出席は明らかな候補だが、重要なAI知覚項目の事前指導格付けと関連しているかどうかは不明だ。 本研究は, バイオサイエンス卒業生93名と産科後研修生93名を対象に, 自己申告使用頻度, 自己評価LDM親しみやすさ, 事前AI教育の3つの特徴を比較した。 使用頻度は、ホルムが修正した5つの結果の関連性、自己評価の3つに親しみ、それ以前のAI教育が無関係であることを示している。 尺度の下端のしきい値のようなパターンは、5つの結果すべてに一様勾配として現れるのではなく、トレーニングの興味と精度の信頼のために最もよく見える。 短いインテイク調査では、報告されたLSMの使用は、以前のコースワークやワークショップよりも、これらの認識と一貫して関連しており、自己評価の親しみが二次的な指標として機能している。 これらの結果から,簡易な事前指導行動信号は,適応型AI倫理教育のための軽量な摂取プロファイリングに影響を及ぼす可能性が示唆された。

関連論文リスト

• An AI Teaching Assistant for Motion Picture Engineering [0.0]
  本稿では,トリニティ・カレッジ・ダブリン・マスターズ・モーション・ピクチャー・エンジニアリング(MPE)コースにおけるAI-TA(AI-TA)の実装について述べる。 本稿では,AI-TAが測定値に与える影響について報告する。 学生のフィードバックから,AI-TAは有益であることが明らかとなった。
  論文  参考訳（メタデータ） (2026-04-06T13:30:11Z)
• Verifying Large Language Models' Reasoning Paths via Correlation Matrix Rank [71.09032766271493]
  大規模言語モデル (LLM) は誤りや幻覚を引き起こす傾向がある。 アウトプットを効果的かつ効率的にチェックする方法は、アプリケーションにとって重要な問題となっている。
  論文  参考訳（メタデータ） (2025-10-28T11:01:10Z)
• Benchmarking Large Language Models for Personalized Guidance in AI-Enhanced Learning [4.990353320509215]
  大規模言語モデル(LLM)は、パーソナライズされた学習のためのインテリジェントアシスタントとしてますます考えられている。 本研究では,現実的な学習環境を模擬した学習課題における3つの最先端LLMの実証的比較を行った。
  論文  参考訳（メタデータ） (2025-09-02T14:21:59Z)
• Evaluating AI Alignment in Eleven LLMs through Output-Based Analysis and Human Benchmarking [0.0]
  大規模言語モデル(LLM)は、心理学的な研究や実践にますます使われているが、従来のベンチマークでは、実際の相互作用で表現される価値についてはほとんど明らかにされていない。 LLMが表現する値の出力に基づく評価であるPAPERSを導入する。
  論文  参考訳（メタデータ） (2025-06-14T20:14:02Z)
• Evaluating Human Alignment and Model Faithfulness of LLM Rationale [66.75309523854476]
  大規模言語モデル(LLM)が,その世代を理論的にどのように説明するかを考察する。 提案手法は帰属に基づく説明よりも「偽り」が少ないことを示す。
  論文  参考訳（メタデータ） (2024-06-28T20:06:30Z)
• Exploring Qualitative Research Using LLMs [8.545798128849091]
  この研究は、人間とAIが駆動する大規模言語モデルの理解能力を比較し、比較することを目的としている。 私たちはAlexaアプリのレビューの小さなサンプルを使って実験を行い、最初は人間のアナリストによって分類された。 LLMはこれらのレビューを分類し、それぞれの分類の背後にある理由を提供するよう求められた。
  論文  参考訳（メタデータ） (2023-06-23T05:21:36Z)
• Revisiting the Reliability of Psychological Scales on Large Language Models [62.57981196992073]
  本研究の目的は,大規模言語モデルにパーソナリティアセスメントを適用することの信頼性を明らかにすることである。 GPT-3.5、GPT-4、Gemini-Pro、LLaMA-3.1などのモデル毎の2,500設定の分析により、様々なLCMがビッグファイブインベントリに応答して一貫性を示すことが明らかになった。
  論文  参考訳（メタデータ） (2023-05-31T15:03:28Z)
• Principle-Driven Self-Alignment of Language Models from Scratch with Minimal Human Supervision [84.31474052176343]
  ChatGPTのような最近のAIアシスタントエージェントは、人間のアノテーションと人間のフィードバックからの強化学習を教師付き微調整(SFT)に頼り、アウトプットを人間の意図に合わせる。 この依存は、人間の監督を得るために高いコストがかかるため、AIアシスタントエージェントの真の可能性を大幅に制限することができる。 本稿では,AIエージェントの自己調整と人間監督の最小化のために,原則駆動推論とLLMの生成能力を組み合わせたSELF-ALIGNという新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-04T17:59:28Z)
• Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
  データセットバイアスは、機械学習における不公平な原因の1つです。 不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。 また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
  論文  参考訳（メタデータ） (2021-04-14T14:20:22Z)

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。