論文の概要: Addressing Trust in AI Systems through Education: A Didactic Perspective
- arxiv url: http://arxiv.org/abs/2609.02453v1
- Date: Wed, 02 Sep 2026 11:20:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.242539
- Title: Addressing Trust in AI Systems through Education: A Didactic Perspective
- Title（参考訳）: 教育を通したAIシステムの信頼に対処する - 教育的視点から
- Abstract要約: ICE-Tは、3つのファセットを相互に強化する実践的なフレームワークである。
これら3つの側面は、信頼度校正文献が適切な依存の要因であると認識する認知メカニズムを供給していると論じる。
- 参考スコア（独自算出の注目度）: 0.6346772579930928
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning (ML) education faces two persistent and connected obstacles: many educational tools present ML as an opaque black box, which leaves learners with a superficial understanding, and this same opacity prevents users from forming the calibrated trust that appropriate reliance on AI systems requires. We present ICE-T, a didactic framework that integrates three mutually reinforcing facets: intermodal transfer grounded in Bruner's enactive, iconic, and symbolic modes of representation, computational thinking operationalized through the Use-Modify-Create progression, and explanatory thinking supported by a process model. Connecting the framework to the empirical literature on algorithm aversion, AI literacy, and mental model formation, and to systematic reviews of the K-12 ML activity landscape, we argue that the three facets supply the cognitive mechanisms that the trust calibration literature identifies as drivers of appropriate reliance: representational richness, graduated process control, and the capacity to contextualize errors. On this basis, we propose that trust calibration be treated as an explicit educational objective, with ICE-T as a principled and scalable means of achieving it.
- Abstract（参考訳）: 機械学習(ML)教育は、永続的で結びついた2つの障害に直面している。多くの教育ツールが、MLを不透明なブラックボックスとして提示している。
本稿では,Bruner氏の活動的,象徴的,象徴的な表現モードに根ざした相互に強化されたファセット,Use-Modify-Createによる計算思考,プロセスモデルによって支援された説明的思考,の3つの側面を統合した実践的フレームワークICE-Tを提案する。
この枠組みを、アルゴリズムの逆転、AIリテラシー、メンタルモデル形成に関する経験的文献と結びつけ、K-12ML活動のランドスケープの体系的レビューと結びつけ、これら3つの側面は、信頼キャリブレーション文学が適切に依存する要因として認識する認知メカニズム、すなわち表現豊かさ、段階的プロセス制御、文脈的エラーのキャパシティを提供する、と論じる。
そこで本研究では,ICE-Tを原則的かつスケーラブルな手法として,信頼校正を明示的な教育目的として扱うことを提案する。
関連論文リスト
- AffordanceVLA: A Vision-Language-Action Model Empowering Action Generation through Affordance-Aware Understanding [55.535374902204296]
AffordanceVLAは、タスク指向の中間表現として構造化された価格予測を導入する統一フレームワークである。
AffordanceVLAは様々な操作シナリオで高いパフォーマンスを実現していることを示す。
論文 参考訳（メタデータ） (2026-06-04T13:28:51Z) - 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) - The Vibe-Check Protocol: Quantifying Cognitive Offloading in AI Programming [5.584060970507507]
Vibe Coding'は、開発者が自然言語を通じてハイレベルな意図を明確に表現し、AIエージェントに実装を委譲するパラダイムである。
本稿では,ソフトウェア工学の学習方法としてテキストIs Vibe Codingが優れているか,という研究課題を解明するための理論的枠組みを提案する。
論文 参考訳（メタデータ） (2026-01-02T06:13:41Z) - A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。
大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。
我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
論文 参考訳（メタデータ） (2025-04-12T01:27:49Z) - Language Guided Concept Bottleneck Models for Interpretable Continual Learning [62.09201360376577]
継続的な学習は、学習した情報を忘れることなく、学習システムが新しい知識を常に獲得することを目的としている。
既存のCLメソッドのほとんどは、モデルパフォーマンスを改善するための学習知識の保存に重点を置いている。
両課題に対処するために,言語指導型概念ボトルネックモデルを統合する新しいフレームワークを導入する。
論文 参考訳（メタデータ） (2025-03-30T02:41:55Z) - Between Randomness and Arbitrariness: Some Lessons for Reliable Machine Learning at Scale [2.50194939587674]
dissertation: 信頼性を犠牲にすることなくスケーラビリティを実現するために、MLにおける偏在性のソースの定量化と緩和、不確実性推定と最適化アルゴリズムのランダム性。
論文は、機械学習の信頼性測定に関する研究が法と政策の研究と密接に結びついていることの例による実証的な証明として機能する。
論文 参考訳（メタデータ） (2024-06-13T19:29:37Z) - Unpacking Approaches to Learning and Teaching Machine Learning in K-12 Education: Transparency, Ethics, and Design Activities [0.0]
機械学習の学習と教育を概念化するための3つのアプローチを同定する。
その1つは、データ駆動アプローチであり、若者にデータセットを作成し、トレーニングし、テストする機会を提供することを強調している。
アルゴリズム駆動学習の第2のアプローチは、機械学習モデルの背後にある学習アルゴリズムやエンジンの動作に関する学習を優先するものだ。
論文 参考訳（メタデータ） (2024-06-05T17:37:21Z) - Tuning-Free Accountable Intervention for LLM Deployment -- A
Metacognitive Approach [55.613461060997004]
大規模言語モデル(LLM)は、自然言語処理タスクの幅広い領域にわたる変換的進歩を触媒している。
我々は,自己認識型誤り識別と訂正機能を備えたLLMを実現するために,textbfCLEARと呼ばれる革新的なテキストメタ認知手法を提案する。
論文 参考訳（メタデータ） (2024-03-08T19:18:53Z) - Mathematical Algorithm Design for Deep Learning under Societal and
Judicial Constraints: The Algorithmic Transparency Requirement [65.26723285209853]
計算モデルにおける透過的な実装が実現可能かどうかを分析するための枠組みを導出する。
以上の結果から,Blum-Shub-Smale Machinesは,逆問題に対する信頼性の高い解法を確立できる可能性が示唆された。
論文 参考訳（メタデータ） (2024-01-18T15:32:38Z) - Uncertainty as a Form of Transparency: Measuring, Communicating, and
Using Uncertainty [66.17147341354577]
我々は,モデル予測に関連する不確実性を推定し,伝達することにより,相補的な透明性の形式を考えることについて議論する。
モデルの不公平性を緩和し、意思決定を強化し、信頼できるシステムを構築するために不確実性がどのように使われるかを説明する。
この研究は、機械学習、可視化/HCI、デザイン、意思決定、公平性にまたがる文学から引き出された学際的レビューを構成する。
論文 参考訳（メタデータ） (2020-11-15T17:26:14Z)
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。