論文の概要: Evaluation in the Age of AI: Output as Evidence of Learning

• arxiv url: http://arxiv.org/abs/2608.22660v1
• Date: Sun, 23 Aug 2026 23:40:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.823391
• Title: Evaluation in the Age of AI: Output as Evidence of Learning
• Title（参考訳）: AI時代の評価:学習のエビデンスとしてのアウトプット
• Abstract要約: 人工知能(AI)の急速な普及は、高等教育における学習の実証と評価の方法を破壊している。 本稿では,AI時代における教育評価の倫理的課題を大学レベルで検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid adoption of artificial intelligence (AI), particularly large language models (LLMs), has fundamentally disrupted how learning is demonstrated and evaluated in higher education. Tasks that once served as proxies for understanding-such as writing essays, solving problem sets, or producing computer code-can now be generated superficially by AI systems with minimal human effort. This paradigm shift raises a critical ethical question: how should learning be evaluated when traditional indicators of competence are easily outsourced? This paper examines the ethical challenges of educational evaluation in the age of AI from a university-level perspective. We argue that the core problem extends beyond academic dishonesty to a deeper misalignment between assessment practices and the learning outcomes they are intended to measure. Evaluation regimes that rely on artificial constraints risk measuring compliance, access, or concealment rather than genuine understanding, reasoning, or judgment. By analyzing institutional responses and presenting empirical survey data, we highlight the need for alternative assessment models that emphasize process over product. The goal is to establish ethically informed assessment strategies that preserve student agency and accountability in an automated age.
• Abstract（参考訳）: 人工知能(AI)の急速な普及、特に大規模言語モデル(LLM)は、高等教育における学習の実証と評価を根本的に破壊してきた。 かつては、エッセイを書いたり、問題セットを解決したり、コンピュータコードを作ったりといった、理解のためのプロキシとして機能していたタスクは、人間の努力を最小限に抑えたAIシステムによって表面的に生成されるようになった。 このパラダイムシフトは、批判的な倫理的疑問を提起する。従来の能力指標が容易にアウトソースされたときに、学習をどのように評価すべきか? 本稿では,AI時代における教育評価の倫理的課題を大学レベルで検討する。 我々は、中核的な問題は、評価プラクティスと測定対象とする学習結果との深い相違点まで、学術的不完全性を超えて拡大していると論じる。 人工的な制約に依存する評価体制は、真の理解、推論、判断よりも、コンプライアンス、アクセス、隠蔽を測定するリスクを負う。 制度的反応を分析し,実証調査データを提示することにより,製品よりもプロセスを重視する代替評価モデルの必要性を強調した。 本研究の目的は,自動年齢における学生機関とアカウンタビリティを保全する倫理的情報に基づく評価戦略を確立することである。

関連論文リスト

• Mathematical Modelling of Ethical AI Use in Higher Education: A Coordination Game Framework for Future-Facing Learning [7.3864557762003615]
  本稿では,ピア期待とアセスメント設計によって構成された協調問題として,学生AIのアセスメントにおける利用について再検討する。 分析結果と有限人口シミュレーションを用いて,学生AI利用におけるしきい値駆動行動遷移を明らかにする。
  論文  参考訳（メタデータ） (2026-04-23T21:21:14Z)
• AI Misuse in Education Is a Measurement Problem: Toward a Learning Visibility Framework [2.3412211209700997]
  本稿では、学習過程における可視性の喪失に起因した測定問題として、AIの教育における誤用を再考する。 このフレームワークは、監視を促進するのではなく、透明性を強調し、教室環境における倫理的AI統合の基礎として証拠を共有している。
  論文  参考訳（メタデータ） (2026-03-08T22:35:09Z)
• 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 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)
• Form-Substance Discrimination: Concept, Cognition, and Pedagogy [55.2480439325792]
  本稿では,高等教育におけるカリキュラム開発に欠かせない学習成果として,フォーム・サブスタンス・差別について検討する。 本稿では,カリキュラム設計,評価実践,明示的な指導を通じて,この能力を育成するための実践的戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-01T04:15:56Z)
• Beyond Detection: Designing AI-Resilient Assessments with Automated Feedback Tool to Foster Critical Thinking [0.0]
  本研究は, 検出ではなく, 評価設計に基づく能動的AIレジリエントソリューションを提案する。 WebベースのPythonツールで、Bloomの分類と高度な自然言語処理技術を統合する。 これは、タスクがリコールや要約のような下位の思考や、分析、評価、作成といった上位のスキルを目標にしているかどうかを教育者が判断するのに役立つ。
  論文  参考訳（メタデータ） (2025-03-30T23:13:00Z)
• Bridging the Communication Gap: Evaluating AI Labeling Practices for Trustworthy AI Development [41.64451715899638]
  EUエネルギラベルのようなフレームワークにインスパイアされたハイレベルなAIラベルは、AIモデルの特性をより透明にするために提案されている。 本研究は,4つの重要な研究課題に沿った質的なインタビューを通じて,AIラベリングを評価する。
  論文  参考訳（メタデータ） (2025-01-21T06:00:14Z)
• Do great minds think alike? Investigating Human-AI Complementarity in Question Answering with CAIMIRA [43.116608441891096]
  人間は知識に基づく帰納的、概念的推論においてAIシステムより優れています。 GPT-4やLLaMAのような最先端のLLMは、ターゲット情報検索において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-09T03:53:26Z)
• The Rise of Artificial Intelligence in Educational Measurement: Opportunities and Ethical Challenges [2.569083526579529]
  教育におけるAIは、妥当性、信頼性、透明性、公平性、公平性に関する倫理的な懸念を提起する。 教育者、政策立案者、組織を含む様々な利害関係者は、教育における倫理的AIの使用を保証するガイドラインを開発した。 本稿では,AIを活用したツールの教育測定における倫理的意義について検討する。
  論文  参考訳（メタデータ） (2024-06-27T05:28:40Z)
• How critically can an AI think? A framework for evaluating the quality of thinking of generative artificial intelligence [0.9671462473115854]
  大きな言語モデルを持つような生成AIは、革新的なアセスメント設計プラクティスの機会を生み出している。 本稿では,現在の業界ベンチマークである LLM ChatGPT4 アプリケーションの性能を探求するフレームワークを提案する。 この批判は、批判的思考スキルの観点から、彼らの質問の脆弱性を具体的かつターゲットに示します。
  論文  参考訳（メタデータ） (2024-06-20T22:46:56Z)
• Modelling Assessment Rubrics through Bayesian Networks: a Pragmatic Approach [40.06500618820166]
  本稿では,学習者モデルを直接評価ルーリックから導出する手法を提案する。 本稿では,コンピュータ思考のスキルをテストするために開発された活動の人的評価を自動化するために,この手法を適用する方法について述べる。
  論文  参考訳（メタデータ） (2022-09-07T10:09:12Z)
• An interdisciplinary conceptual study of Artificial Intelligence (AI) for helping benefit-risk assessment practices: Towards a comprehensive qualification matrix of AI programs and devices (pre-print 2020) [55.41644538483948]
  本稿では,インテリジェンスの概念に対処するさまざまな分野の既存の概念を包括的に分析する。 目的は、AIシステムを評価するための共有概念や相違点を特定することである。
  論文  参考訳（メタデータ） (2021-05-07T12:01:31Z)

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。