要約: 動画から学生の混乱を認識し局在化することは、教育AIにおいて重要であると同時に挑戦的な課題です。既存の混乱データセットはノイズの多いラベル、粗い時刻注釈、限られた専門家による検証の影響を受けており、それが信頼性の高い細粒度認識と時系列に基づく分析を妨げています。これらの制約に対処するため、モデル支援のスクリーニングを2段階、研究者によるキュレーション、および専門家の検証を組み合わせた実用的な多段階フィルタリング・パイプラインを提案し、混乱理解のより高品質なベンチマークを構築します。このパイプラインに基づき、教育用ビデオの新しいベンチマーク ConfusionBench を導入します。これは、公平性のとれた混乱認識データセットと動画局在化データセットから成ります。」}{
ConfusionBench：教育動画における混乱認識と局在化の専門家検証済みベンチマーク
arXiv cs.CV / 2026/3/19
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- ConfusionBenchは、教育動画を対象とした新しいベンチマークで、混乱の認識と局在化を狙い、ノイズの多いラベルや検証の弱さといった既存データセットの課題に対処します。
- 本プロジェクトは、モデル支援によるスクリーニング、研究者によるキュレーション、専門家による検証を組み合わせた多段階フィルタリングパイプラインを導入し、より高品質なデータを作成します。
- このベンチマークには、バランスの取れた混乱認識データセットと動画局在化データセットが含まれ、ゼロショット評価では独自モデルとオープンソースモデルの差異を示しています。
- 結果は、独自モデルが全体的にはより高い性能を示す一方、遷移区間を過剰に予測する傾向があるのに対し、オープンソースモデルはより保守的で検出を見逃す可能性があります。
- 教育現場の専門家が介入と学習計画の適応を決定するのを支援するための、学生の混乱レポートの可視化を提案し、すべてのデータセットはプロジェクトページで公開されています。
