論文の概要: Behaviorally Adaptive Visual Diversion for Inclusive and Resilient Digital Assessment Delivery
- arxiv url: http://arxiv.org/abs/2608.03531v1
- Date: Tue, 04 Aug 2026 12:13:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.179508
- Title: Behaviorally Adaptive Visual Diversion for Inclusive and Resilient Digital Assessment Delivery
- Title（参考訳）: 包括的かつレジリエントなディジタルアセスメント配信のための行動適応型視覚ディバージョン
- Abstract要約: 本稿では、合成非意味的視野を評価内容と合成する理論的枠組みである行動適応型視覚変換(BAVD)を紹介する。
BAVDにはアクセシビリティを意識したメカニズムが組み込まれており、承認された視覚処理施設を持つ候補者のディバージョン強度を減少または抑制する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Institutions increasingly rely on browser lockdown, webcam monitoring, and behavioral analytics to secure high-stakes digital assessments, yet these mechanisms are commonly designed and evaluated independently and often overlook learner accessibility. This paper introduces Behaviorally-Adaptive Visual Diversion (BAVD), a theoretical framework in which a synthetic, non-semantic visual field is composited with assessment content and adaptively modulated according to observed candidate behavior. The underlying assessment content is never altered; only its visual presentation is modified to reduce the usefulness of unauthorized screen capture or screen sharing while remaining minimally intrusive for legitimate candidates. The framework further incorporates an accessibility-aware attenuation mechanism that reduces or suppresses diversion intensity for candidates with approved visual-processing accommodations. We formulate the model using a coupled dynamical-systems representation comprising a Diversion Field Generator, Rendering Tensor, Behavior Tensor, Composite Integrity Functional, and Multi-dimensional Entropy Model, and establish theoretical properties for content fidelity, rendering stability, entropy boundedness, integrity tracking, and closed-loop adaptation stability. The framework explicitly states its threat model, identifies deployment assumptions and limitations, and discusses the trade-off between accessibility and capture resistance. This work provides a mathematically grounded foundation for behaviorally adaptive and accessibility-aware assessment delivery and offers a basis for future empirical validation in trusted digital assessment platforms.
- Abstract（参考訳）: 機関はブラウザのロックダウン、ウェブカメラの監視、行動分析にますます頼り、高い精度のデジタルアセスメントを確保するが、これらのメカニズムは独立して設計され、しばしば学習者のアクセシビリティを見落としている。
本稿では、合成非意味的視野を評価内容と合成し、観測された予測行動に応じて適応的に変調する理論的枠組みである行動適応型視覚ディバージョン(BAVD)を紹介する。
基礎となる評価内容は決して変更されず、正当性のある候補に対して最小限の侵入を保ちながら、無許可のスクリーンキャプチャや画面共有の有用性を減らすために、その視覚的表示のみが修正される。
このフレームワークにはアクセシビリティ対応の減衰機構が組み込まれており、承認された視覚処理設備を有する候補に対する変換強度を減少または抑制する。
ディバージョンフィールドジェネレータ,レンダリングテンソル,動作テンソル,複合積分関数,多次元エントロピーモデルからなる結合力学系表現を用いてモデルを定式化し,コンテンツの忠実性,レンダリング安定性,エントロピー境界性,整合性トラッキング,閉ループ適応安定性に関する理論的特性を確立する。
このフレームワークは、その脅威モデルを明確に記述し、デプロイメントの前提と制限を特定し、アクセシビリティとキャプチャ抵抗の間のトレードオフについて議論する。
本研究は,行動適応性とアクセシビリティを意識したアセスメント配信のための数学的基盤を提供し,信頼性のあるデジタルアセスメントプラットフォームにおける将来の実証的検証の基盤を提供する。
関連論文リスト
- Multi-Layer Context Camouflaging: A Semantic Superposition and Contextual Lamination Framework for Malpractice-Resilient Online Assessment [0.0]
本稿では,意味的重畳による評価内容の保護を行う数学的枠組みであるMulti-Layer Context Camouflaging Theory(MCCT)を紹介する。
正当性評価内容と合成されたカモフラージュは統一的なレンダリングとして表現され、正当性のある候補によってのみ回復可能である。
論文 参考訳（メタデータ） (2026-08-13T11:25:12Z) - SeFaR: Semantic Feature-aware Robustness Testing of Deep Neural Networks [0.6614755043607775]
SeFaRは、視覚モデルのセマンティック機能中心のテストのためのフレームワークである。
最先端拡散と視覚言語モデルを利用して意味保存摂動を生成する。
フィードバック駆動適応プロセスを用いて、解釈可能な障害誘発セマンティック概念を生成する。
論文 参考訳（メタデータ） (2026-08-10T22:50:17Z) - A Computational Ethical Framework for Financial Digital Phenotyping for Mental Health [2.3101913925246045]
本稿では,AI駆動型デジタル表現システムのための計算倫理的枠組みを提案する。
我々は、鍵となる倫理特性をモデル化し、Z3 Satisfiability Modulo Theories (SMT)ソルバを用いて検証する。
これは、継続的かつマシン検証可能な倫理的チェックを可能にする初期の研究である。
論文 参考訳（メタデータ） (2026-07-27T11:19:52Z) - Partial Skeleton Visibility for Action Recognition: A Constrained Field-of-View Approach [60.596944437968524]
partialVisGraphは、制約されたフィールド・オブ・ビューの下で、堅牢なスケルトンベースのアクション認識のための新しいフレームワークである。
部分的な可視性の下では、最先端の精度を一貫して達成し、厳しいFoV制限のあるサブセットでは68.8%まで上昇する。
提案手法は,非拘束環境下でのスケルトンに基づく行動理解を実現するための,原則的かつ実践的な経路を提供する。
論文 参考訳（メタデータ） (2026-07-01T10:03:11Z) - MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。
ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
論文 参考訳（メタデータ） (2026-05-18T01:52:12Z) - Adversarial Moral Stress Testing of Large Language Models [6.225703352031606]
本稿では, 対人多ラウンド相互作用下での倫理的堅牢性を評価するためのストレスベース評価フレームワーク, AMSTを紹介する。
我々は,LLaMA-3-8B,GPT-4o,DeepSeek-v3を含む最先端LLMにおけるAMSTの評価を行った。
論文 参考訳（メタデータ） (2026-04-01T16:34:20Z) - From Passive Metric to Active Signal: The Evolving Role of Uncertainty Quantification in Large Language Models [77.04403907729738]
このサーベイは、受動的診断基準からリアルタイムモデル動作を導くアクティブ制御信号への不確実性の進化をグラフ化する。
3つのフロンティアにまたがるアクティブ制御信号として不確実性がいかに活用されているかを示す。
この調査は、次世代のスケーラブルで信頼性があり、信頼できるAIを構築するためには、新しい不確実性のトレンドを習得することが不可欠である、と論じている。
論文 参考訳（メタデータ） (2026-01-22T06:21:31Z) - On the Fairness, Diversity and Reliability of Text-to-Image Generative Models [68.62012304574012]
マルチモーダル生成モデルは 信頼性 公正性 誤用の可能性について 批判的な議論を巻き起こしました
埋め込み空間におけるグローバルおよびローカルな摂動に対する応答を解析し、モデルの信頼性を評価するための評価フレームワークを提案する。
提案手法は, 信頼できない, バイアス注入されたモデルを検出し, 組込みバイアスの証明をトレースするための基礎となる。
論文 参考訳（メタデータ） (2024-11-21T09:46:55Z) - Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。
既存の感受性研究は、自己報告された信念に大きく依存している。
本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
論文 参考訳（メタデータ） (2023-11-16T07:22:56Z) - Exploring the Trade-off between Plausibility, Change Intensity and
Adversarial Power in Counterfactual Explanations using Multi-objective
Optimization [73.89239820192894]
自動対物生成は、生成した対物インスタンスのいくつかの側面を考慮すべきである。
本稿では, 対実例生成のための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2022-05-20T15:02:53Z) - Robustness in Deep Learning for Computer Vision: Mind the gap? [13.576376492050185]
我々は、コンピュータビジョンのためのディープラーニングにおいて、現在の定義と非敵対的堅牢性に向けての進歩を特定し、分析し、要約する。
この研究の分野は、敵対的機械学習に対して、不当にあまり注目されていないことがわかりました。
論文 参考訳（メタデータ） (2021-12-01T16:42:38Z)
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。