Collaborative Machine Learning Model Building with Families Using Co-ML

要約

初心者向けの既存の機械学習 (ML) モデリング ツールは、ソロ ユーザー エクスペリエンスを中心としており、1 人のユーザーが自分のデータのみを収集してモデルを構築します。
ただし、一人でのモデリング体験では、学習者が一緒に作業するときに生じる可能性のある代替アイデアやアプローチに出会う貴重な機会が制限されます。
その結果、グループで構築されたデータセットにさまざまな視点が現れたときに表面化する可能性のある、データ表現と多様性に関する ML の重大な問題の発生を防ぐことができます。
この問題に対処するために、私たちは Co-ML を作成しました。これは、学習者がエンドツーエンドの反復的なモデル構築プロセスを通じて共同で ML 画像分類器を構築するためのタブレット ベースのアプリです。
このペーパーでは、促進された入門用 ML アクティビティで Co-ML を使用した家族 (11 歳と 14 歳の 2 人の子供が両親と一緒に働いている) の詳細なケース スタディを提示することにより、共同モデリングの実現可能性と潜在的な豊かさを説明します。
自宅で。
私たちは Co-ML システム設計を共有し、共同作業で Co-ML を使用することで、初心者がデータの多様性、クラスの不均衡、データ品質など、以前の研究では過小評価されていたデータセット設計の考慮事項にどのように共同で取り組むことができるようになったのかについての議論に貢献します。
個人がモデル構築のさまざまな責任を負うことができる分散型の共同プロセスが、子供と大人が ML データセットの設計を学ぶための豊かなコンテキストをどのように提供するかについて説明します。

要約(オリジナル)

Existing novice-friendly machine learning (ML) modeling tools center around a solo user experience, where a single user collects only their own data to build a model. However, solo modeling experiences limit valuable opportunities for encountering alternative ideas and approaches that can arise when learners work together; consequently, it often precludes encountering critical issues in ML around data representation and diversity that can surface when different perspectives are manifested in a group-constructed data set. To address this issue, we created Co-ML — a tablet-based app for learners to collaboratively build ML image classifiers through an end-to-end, iterative model-building process. In this paper, we illustrate the feasibility and potential richness of collaborative modeling by presenting an in-depth case study of a family (two children 11 and 14-years-old working with their parents) using Co-ML in a facilitated introductory ML activity at home. We share the Co-ML system design and contribute a discussion of how using Co-ML in a collaborative activity enabled beginners to collectively engage with dataset design considerations underrepresented in prior work such as data diversity, class imbalance, and data quality. We discuss how a distributed collaborative process, in which individuals can take on different model-building responsibilities, provides a rich context for children and adults to learn ML dataset design.

arxiv情報

著者 Tiffany Tseng,Jennifer King Chen,Mona Abdelrahman,Mary Beth Kery,Fred Hohman,Adriana Hilliard,R. Benjamin Shapiro
発行日 2023-06-13 17:37:27+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.HC, cs.LG パーマリンク