4 分で読了
0 views

Complex multiple-choice questions are inequitable for low-income and domestic students

(and difficult for everyone)(複雑な複択問題は低所得層と国内学生に不公平であり、全員にとって難しい)

さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか?

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として
一目置かれる存在に!

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか?

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、
あなたも生成AIマスター!

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題!誰1人置いていかずに寄り添います。

詳細を見る

田中専務

拓海先生、最近うちの若手から「試験の形式が問題だ」と聞いたのですが、具体的に何が問題になるのでしょうか。経営に直結する話なら知っておきたいのです。

AIメンター拓海

素晴らしい着眼点ですね!試験の「問題形式」が成績や合否に影響することはよくあります。今回はそのうち、複雑な複数選択式、英語でcomplex multiple-choice(CMC)と呼ばれる形式が特定の学生層に不利かどうかを調べた研究を噛み砕きますよ。

田中専務

CMCという言葉は初めて聞きます。要するにどんな問題形式なのですか。現場の教育担当者に説明できるようにお願いできますか。

AIメンター拓海

はい、簡単に説明します。CMCは複数の「部分答え」を示して、その中から全て正しいものだけを含む選択肢を選ぶ形式です。ビジネスに例えるなら、複数の要素をすべて満たす提案書を一つ選べ、という感じで、些細な見落としが結果を大きく左右しますよ。

田中専務

なるほど。で、それがどうして不公平になるのですか。うちの会社で言えば、フォーマットの違いで昇格試験の合否が変わるようなものですか。

AIメンター拓海

その通りです。研究は大学の物理の試験データを使い、CMCと従来型の問題を比べたところ、CMCの方が点数が下がりやすく、とくに低所得の学生や国内学生に影響が大きかったのです。要点を整理すると三つあります。1)CMCは認知負荷が増える、2)部分答えの組み合わせで答えが推測されやすい、3)結果的に特定層が不利になる可能性がある、です。

田中専務

これって要するに試験の問い方のせいで、能力の差以外の要因で評価が歪んでいるということ?投資対効果で言えば、誤った形式に時間やリソースを割くリスクがありますか。

AIメンター拓海

そうですよ。短くまとめると三点です。第一に、形式自体が「テストの狙い」以外の部分を測ってしまう可能性がある。第二に、設問の作り方次第で一部の受験者が有利・不利になる。第三に、もし評価が不公平なら教育資源の投下先や入試制度の設計に見直しが必要になる。大丈夫、一緒に整理すれば対策も見えてきますよ。

田中専務

対策というと具体的にはどのような方策を検討すれば良いのでしょうか。すぐに実行できてコストが高くないものを教えてください。

AIメンター拓海

最初にできることは三つです。1)試験の一部を別形式に変えて比較する、2)問題を分解してどの要素が差を生むか分析する、3)低コストで再テストできる学内の練習プラットフォームを活用する。これだけで現状把握と短期的改善が可能です。大丈夫、必ず実行可能な手順に落とせますよ。

田中専務

分かりました。要するに、形式のせいで本来測りたい能力以外のものが点数に影響しているかもしれず、それを確かめてから制度設計を見直すべきだということですね。私の言葉で言うと、問題の作り方が評価の歪みを生んでいるかもしれない、と。

論文研究シリーズ
前の記事
KD木を用いた差分プライバシー合成データ
(Differentially Private Synthetic Data Using KD-Trees)
次の記事
SynerGPT: 個別化された薬物相乗作用予測と薬剤設計のためのインコンテキスト学習
(SynerGPT: In-Context Learning for Personalized Drug Synergy Prediction and Drug Design)
関連記事
時系列向けオープン基盤モデルの一群
(MOMENT: A Family of Open Time-series Foundation Models)
Modeling Human Gaze Behavior with Diffusion Models for Unified Scanpath Prediction
(人間の視線挙動を拡散モデルでモデリングする — 統一的なスキャンパス予測)
埋め込み減衰性で学ぶカオス力学
(LEARNING CHAOTIC DYNAMICS WITH EMBEDDED DISSIPATIVITY)
3Dガウスと事前計算放射伝達による高速再照明
(PRTGaussian: Efficient Relighting Using 3D Gaussians with Precomputed Radiance Transfer)
極性体における交換相関と密度汎関数理論
(Polarization and Exchange–Correlation in Density Functional Theory)
医用画像における深層能動学習の獲得関数の検討
(A Study of Acquisition Functions for Medical Imaging Deep Active Learning)
この記事をシェア

有益な情報を同僚や仲間と共有しませんか?

AI技術革新 - 人気記事
ブラックホールと量子機械学習の対応
(Black hole/quantum machine learning correspondence)
生成AI検索における敏感なユーザークエリの分類と分析
(Taxonomy and Analysis of Sensitive User Queries in Generative AI Search System)
DiReDi:AIoTアプリケーションのための蒸留と逆蒸留
(DiReDi: Distillation and Reverse Distillation for AIoT Applications)

PCも苦手だった私が

“AIに詳しい人“
として一目置かれる存在に!
  • AIBRプレミアム
  • 実践型生成AI活用キャンプ
あなたにオススメのカテゴリ
論文研究
さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか?

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として一目置かれる存在に!

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか?

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、あなたも生成AIマスター!

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題!誰1人置いていかずに寄り添います。

詳細を見る

AI Benchmark Researchをもっと見る

今すぐ購読し、続きを読んで、すべてのアーカイブにアクセスしましょう。

続きを読む