論文の概要: What Does the Credential Still Certify? Cognitive Stewardship for AI-Mediated Education

• arxiv url: http://arxiv.org/abs/2607.19988v1
• Date: Wed, 22 Jul 2026 10:21:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:38.055525
• Title: What Does the Credential Still Certify? Cognitive Stewardship for AI-Mediated Education
• Title（参考訳）: クレデンシャルはいまだに認定されるのか?AIを利用した教育における認知的指導
• Authors: Kai Yao,
• Abstract要約: 本稿では,学習クレーム,デリゲート境界,エビデンス標準,安全を関連づけたAIによる評価のためのフレームワークを開発する。 そして、30の大学から、検証済みの公開生成AIアセスメントガイダンスを監査した。
• 参考スコア（独自算出の注目度）: 3.2940515388832963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative AI is changing a basic premise of educational assessment: that submitted work can reliably evidence the human capacities a credential claims to certify. The challenge is not simply whether students use AI, but what remains inferable about learning when some cognitive work has been delegated to a system. This paper develops cognitive stewardship, a framework for AI-mediated assessment that links the learning claim, delegation boundary, evidence standard, and safeguards. We then audit verified public generative AI assessment guidance from 30 universities. Using a pre-specified scoring codebook--a written, source-grounded rubric--four open-weight LLM models applied the rubric as structured coders, with scores averaged to reduce dependence on any single model's bias. The audit shows that public policies are becoming better at classifying AI use than at explaining what evidence and protections preserve credential validity. Boundaries are more visible than evidence standards; safeguards are uneven; and guidance is clearest when AI use resembles final-output substitution rather than feedback, access, verification, or professional workflow. The takeaway is that permission categories are necessary but insufficient. Universities need policies that make the certification logic visible: what learners may delegate, what they must still demonstrate, and how institutions will protect fair evidence rather than merely monitor AI use.
• Abstract（参考訳）: ジェネレーティブAIは、教育アセスメントの基本的な前提を変えようとしている。 課題は、学生がAIを使用するかどうかではなく、認知作業がシステムに委譲されたときの学習について、まだ推測できないことなのです。 本稿では,学習のクレーム,デリゲート境界,エビデンス標準,安全を関連付ける,AIによる評価のためのフレームワークである認知スチュワードシップを開発する。 そして、30の大学から、検証済みの公開生成AIアセスメントガイダンスを監査した。 4つのオープンウェイトLCMモデルは、事前に指定されたスコアリングコードブックを使用し、構造化コーダとしてルーリックを適用し、スコアは、任意の単一モデルのバイアスへの依存を減らすために平均された。 この監査は、AIの使用を分類するよりも、証拠や保護が信条の正当性を維持するかを説明する方が、公共の政策が良くなっていることを示している。 AIがフィードバックやアクセス、検証、あるいはプロフェッショナルワークフローよりも、最終出力置換に類似している場合、ガイダンスは最も明確です。 重要なのは、許可のカテゴリーは必要だが不十分だということだ。 大学は、認定ロジックを可視化するポリシーを必要としている: 学習者が委任すべきもの、まだ証明しなければならないもの、そして組織がAIの使用を単に監視するのではなく、公正な証拠をいかに保護するか。

関連論文リスト

• Jobs' AI Exposure Should Be Measured from Evidence, Not Model Priors [2.4724375110574304]
  AIへの仕事の露出は、根拠に基づく根拠に基づく方法で測定されるべきである。 現在の理論的露出測定では、ゼロショットプロンプトを使用してタスクレベルのAI露出を分類している。 我々はO*NET 30.2における18,796の職業-タスク対にAI露出ラベルを割り当てる検索拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-14T23:29:42Z)
• Making AI-Assisted Grant Evaluation Auditable without Exposing the Model [0.0]
  本稿では,遠隔検定による要求の整合を支援するTEEアーキテクチャを提案する。 このアーキテクチャにより、外部検証者はどのモデル、ルーブリック、プロンプトテンプレート、入力表現が使われたかをチェックすることができる。 我々は、秘密のAI推論、証明可能なAI監査、ゼロ知識機械学習、アルゴリズムのアカウンタビリティ、AI支援ピアレビューに対する設計を位置付ける。
  論文  参考訳（メタデータ） (2026-04-28T04:10:04Z)
• When AI reviews science: Can we trust the referee? [73.47745294608072]
  私たちは、トレーニングとデータ検索、デスクレビュー、深いレビュー、反論、システムレベルといった、レビューライフサイクル全体のアタックをマップします。 評価スコアに高名度フレーミング, 断定力, 反抗薬効, 文脈中毒の因果効果を分離するために, 2つの高度なLCMベースの審判を用いた。
  論文  参考訳（メタデータ） (2026-04-26T08:03:32Z)
• CoCoNUTS: Concentrating on Content while Neglecting Uninformative Textual Styles for AI-Generated Peer Review Detection [60.52240468810558]
  我々は、AI生成ピアレビューの詳細なデータセットの上に構築されたコンテンツ指向ベンチマークであるCoCoNUTSを紹介する。 また、マルチタスク学習フレームワークを介してAIレビュー検出を行うCoCoDetを開発し、レビューコンテンツにおけるAIのより正確で堅牢な検出を実現する。
  論文  参考訳（メタデータ） (2025-08-28T06:03:11Z)
• The Impact of AI on Educational Assessment: A Framework for Constructive Alignment [0.0]
  我々は、AIが異なるブルームレベルの学習目標に異なる方法で影響を及ぼすと主張している。 大学や学部レベルでの構造的ガイドラインを提案し,職員間の整合性を育成する。
  論文  参考訳（メタデータ） (2025-06-30T13:02:01Z)
• The AI Imperative: Scaling High-Quality Peer Review in Machine Learning [49.87236114682497]
  AIによるピアレビューは、緊急の研究とインフラの優先事項になるべきだ、と私たちは主張する。 我々は、事実検証の強化、レビュアーのパフォーマンスの指導、品質改善における著者の支援、意思決定におけるAC支援におけるAIの具体的な役割を提案する。
  論文  参考訳（メタデータ） (2025-06-09T18:37:14Z)
• Using AI Alignment Theory to understand the potential pitfalls of regulatory frameworks [55.2480439325792]
  本稿では、欧州連合の人工知能法(EU AI法)を批判的に検討する。 人工知能における技術的アライメントの潜在的な落とし穴に焦点を当てたアライメント理論(AT)研究からの洞察を利用する。 これらの概念をEU AI Actに適用すると、潜在的な脆弱性と規制を改善するための領域が明らかになる。
  論文  参考訳（メタデータ） (2024-10-10T17:38:38Z)
• Certification Labels for Trustworthy AI: Insights From an Empirical Mixed-Method Study [0.0]
  本研究は,有望なソリューションとしての認定ラベルを実証的に検討した。 ラベルがエンドユーザの信頼とAI使用意欲を大幅に向上させることができることを実証する。 しかし、認証ラベルに対するエンドユーザの好みと、AIの使用に対する信頼と意欲に対する影響は、高い評価のシナリオではより顕著であった。
  論文  参考訳（メタデータ） (2023-05-15T09:51:10Z)

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。