論文の概要: "We'll Fix It Later": Education, AI, and the Deferral of Privacy in EdTech

• arxiv url: http://arxiv.org/abs/2609.28137v1
• Date: Wed, 23 Sep 2026 13:59:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:18.053758
• Title: "We'll Fix It Later": Education, AI, and the Deferral of Privacy in EdTech
• Title（参考訳）: 「あとで修正する」:EdTechにおける教育、AI、プライバシの擁護
• Abstract要約: 筆者らはEdTechの専門家との12の半構造化インタビューと48プラットフォームによるプライバシーポリシー監査を組み合わせた混合手法の研究を行った。 当社のインタビューは、プライバシが重要と認識されるが、プロダクトライフサイクル全体で遅延する、繰り返し発生する組織パターンを明らかにします。 プラットフォームは、どのデータを比較的よく収集するかを記述しますが、そのデータをその後どのように管理するかについて、かなり少ない情報を提供しています。
• 参考スコア（独自算出の注目度）: 1.3986963122264633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Educational technology (EdTech) platforms collect highly sensitive student data, including behavioral logs, disability records, and academic histories. However, privacy considerations are often postponed rather than treated as a foundational design requirement. We present a mixed-methods study combining 12 semi-structured interviews with EdTech professionals and a privacy policy audit of 48 platforms coded across five dimensions, with strong inter-rater reliability (mean Cohen's Kappa = 0.781). Our interviews reveal a recurring organizational pattern in which privacy is recognized as important but deferred across the product lifecycle as organizations prioritize product functionality, growth, funding, and immediate educational outcomes. Responsibility is often delegated to cloud providers, policy documents, or downstream institutions, while limited privacy-related feedback gives organizations little pressure to change these practices. The policy analysis reflects these patterns: platforms describe what data they collect relatively well but provide substantially less information about how that data is subsequently governed. Thirty-three percent make no meaningful Artificial Intelligence (AI) disclosure despite visible AI features, and 73% provide only generic accountability and breach-response language. K-12 platforms perform better on children's consent where regulation creates explicit requirements, but this advantage does not extend to AI governance or accountability. These findings suggest that meaningful improvement requires enforceable institutional and regulatory mechanisms rather than voluntary privacy commitments alone.
• Abstract（参考訳）: 教育技術(EdTech)プラットフォームは、行動ログ、障害記録、学術履歴など、非常に敏感な学生データを収集する。 しかし、プライバシの考慮事項は基本設計要件として扱われるのではなく、しばしば延期される。 我々は,EdTechの専門家との12の半構造化インタビューと,5次元にまたがってコーディングされた48プラットフォーム(CohenのKappa = 0.781)のプライバシポリシ監査を組み合わせた混合手法による調査を行った。 当社のインタビューは、プライバシが重要と認識されるが、製品機能や成長、資金提供、即時的な教育成果を優先する組織として、製品ライフサイクルを通じて遅延する、繰り返し発生する組織パターンを明らかにします。 責任はクラウドプロバイダやポリシドキュメント,あるいは下流の機関に委譲されることが多いが,プライバシに関するフィードバックの制限は,これらのプラクティスを変える圧力をほとんど与えない。 プラットフォームは、どのデータを比較的よく収集するかを記述しますが、そのデータをその後どのように管理するかについて、かなり少ない情報を提供しています。 33%は、目に見えるAI機能にもかかわらず意味のある人工知能(AI)の開示をしていない。 K-12プラットフォームは、規則が明示的な要件を創出する子どもの同意でより良いパフォーマンスを発揮するが、この利点はAIガバナンスや説明責任にまで及ばない。 これらの結果は、有意義な改善には、自発的なプライバシのコミットメントだけでなく、強制的な制度的および規制的なメカニズムが必要であることを示唆している。

関連論文リスト

• Contextualized Privacy Defense for LLM Agents [84.30907378390512]
  LLMエージェントはますますユーザーの個人情報に作用するが、既存のプライバシー保護は設計と適応性の両方において制限されている。 我々は,新たなプライバシ防衛パラダイムであるCDI(Contextualized Defense Instructing)を提案する。 我々のCDIは、ベースラインよりもプライバシー保護(94.2%)と有用性(80.6%)のバランスが良好であることを示します。
  論文  参考訳（メタデータ） (2026-03-03T13:35:33Z)
• Does Machine Unlearning Truly Remove Knowledge? [80.83986295685128]
  本研究では,3つのベンチマークデータセット,6つのアンラーニングアルゴリズム,および5つのプロンプトベースの監査手法からなる,アンラーニング評価のための総合的な監査フレームワークを提案する。 異なるアンラーニング戦略の有効性とロバスト性を評価する。
  論文  参考訳（メタデータ） (2025-05-29T09:19:07Z)
• Privacy Ethics Alignment in AI: A Stakeholder-Centric Framework for Ethical AI [0.0]
  本研究は、デジタル市民(年齢16-19)、両親/教育者、AI専門家の3つの主要なステークホルダーグループにわたる、プライバシー上の懸念の進化について調査する。 若者は自主性とデジタルの自由を強調し、保護者と教育者は規制監督とAIリテラシープログラムを提唱する。 このデータは、AIリテラシーと透明性のギャップをさらに強調し、ステークホルダー主導のプライバシーフレームワークの必要性を強調している。
  論文  参考訳（メタデータ） (2025-03-15T01:42:45Z)
• Navigating AI to Unpack Youth Privacy Concerns: An In-Depth Exploration and Systematic Review [0.0]
  この体系的な文献レビューは、人工知能(AI)システムにおけるプライバシーに関する若いデジタル市民の認識、関心、期待について調査する。 データ抽出は、プライバシの懸念、データ共有のプラクティス、プライバシとユーティリティのバランス、AIの信頼要因、個人データのユーザコントロールを強化する戦略に焦点を当てている。 発見は、個人情報のコントロールの欠如、AIによるデータの誤用の可能性、データ漏洩や不正アクセスの恐れなど、若いユーザーの間で重要なプライバシー上の懸念を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-12-20T22:00:06Z)
• Privacy as Contextual Integrity in Online Proctoring Systems in Higher Education: A Scoping Review [0.0]
  プライバシーは、高等教育におけるオンライン・プロクタリング・システムの導入と実装における重要な課題の1つだ。 この研究は、これらの原則をどのように実装し、持続するかを明確にする必要性を通知する。
  論文  参考訳（メタデータ） (2023-10-28T19:35:39Z)
• TeD-SPAD: Temporal Distinctiveness for Self-supervised Privacy-preservation for video Anomaly Detection [59.04634695294402]
  人間の監視のないビデオ異常検出(VAD)は複雑なコンピュータビジョンタスクである。 VADのプライバシー漏洩により、モデルは人々の個人情報に関連する不必要なバイアスを拾い上げ、増幅することができる。 本稿では,視覚的プライベート情報を自己管理的に破壊する,プライバシーに配慮したビデオ異常検出フレームワークTeD-SPADを提案する。
  論文  参考訳（メタデータ） (2023-08-21T22:42:55Z)
• "You Can't Fix What You Can't Measure": Privately Measuring Demographic Performance Disparities in Federated Learning [78.70083858195906]
  グループメンバーシップのプライバシを保護しつつ,グループ間でのパフォーマンスの差異を測定するための,差分プライベートなメカニズムを提案する。 我々の結果は、以前の研究の示唆に反して、プライバシ保護は必ずしもフェデレーションモデルの性能格差の特定と矛盾しているわけではないことを示している。
  論文  参考訳（メタデータ） (2022-06-24T09:46:43Z)
• Privacy and Robustness in Federated Learning: Attacks and Defenses [74.62641494122988]
  このトピックに関する最初の包括的な調査を実施します。 FLの概念の簡潔な紹介と、1脅威モデル、2堅牢性に対する中毒攻撃と防御、3プライバシーに対する推論攻撃と防御、というユニークな分類学を通じて、私たちはこの重要なトピックのアクセス可能なレビューを提供します。
  論文  参考訳（メタデータ） (2020-12-07T12:11:45Z)
• Trustworthy AI [75.99046162669997]
  入力データの小さな敵対的変化への脆さ、決定の説明能力、トレーニングデータのバイアスに対処する能力は、最も顕著な制限である。 我々は,AIシステムに対するユーザおよび公的な信頼を高める上での6つの重要な問題に対処するために,信頼に値するAIに関するチュートリアルを提案する。
  論文  参考訳（メタデータ） (2020-11-02T20:04:18Z)

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。