[論文レビュー] Advancing credit mobility through stakeholder-informed AI design and adoption

Yerin Kwak, Siddharth Adelkar+1 more|arXiv (Cornell University)|Jan 9, 2026

Online Learning and Analytics被引用数 0

ひとこと要約

論文は、SUNY 系列内のコースの表現を予測するための利害関係者を取り込んだAIフレームワーク（Shared Space Alignment：SSA）を開発し、リコールの substantial gains を達成し、大規模な表現拡張を可能にする。

ABSTRACT

Transferring from a 2-year to a 4-year college is crucial for socioeconomic mobility, yet students often face challenges ensuring their credits are fully recognized, leading to delays in their academic progress and unexpected costs. Determining whether courses at different institutions are equivalent (i.e., articulation) is essential for successful credit transfer, as it minimizes unused credits and increases the likelihood of bachelor's degree completion. However, establishing articulation agreements remains time- and resource-intensive, as all candidate articulations are reviewed manually. Although recent efforts have explored the use of artificial intelligence to support this work, its use in articulation practice remains limited. Given these challenges and the need for scalable support, this study applies artificial intelligence to suggest articulations between institutions in collaboration with the State University of New York system, one of the largest systems of higher education in the US. To develop our methodology, we first surveyed articulation staff and faculty to assess adoption rates of baseline algorithmic recommendations and gather feedback on perceptions and concerns about these recommendations. Building on these insights, we developed a supervised alignment method that addresses superficial matching and institutional biases in catalog descriptions, achieving a 5.5-fold improvement in accuracy over previous methods. Based on articulation predictions of this method and a 61% average surveyed adoption rate among faculty and staff, these findings project a 12-fold increase in valid credit mobility opportunities that would otherwise remain unrealized. This study suggests that stakeholder-informed design of AI in higher education administration can expand student credit mobility and help reshape current institutional decision-making in course articulation.

研究の動機と目的

• 転送時のクレジット損失を減らすためのスケーラブルで正確なコース表現の動機付け。
• スタッフと教員の認識がAIベースの表現推奨の採用に与える影響を評価。
• 機関間でのコース埋め込みを整合させるための教師あり整合手法（SSA）を開発・評価。
• 教員/スタッフの採用パターンの下で有効表現の拡張量を推定。
• 利害関係者を取り込んだAIが高等教育の表現意思決定をどのように再構築するかを示す。

提案手法

• 連続的なNLP生成（Word2Vec、SBERT、OpenAI埋め込み）を用いてコース名と説明を意味ベクトルに埋め込む。
• Shared Space Alignment（SSA）を導入：各カレッジの直交変換行列M_iを学習し共通空間へ写像、次にM_iとM_j^Tを用いて ||x_i M_i M_j^T - x_j|| を最小化して整合。
• 整合埋め込みと既存の合意に基づいて評価のためにKNN（recall@1およびrecall@5）を用いて表現を予測。
• 一部のモデル構成でCourse2vecを enrollment histories などの追加信号として組み込む。
• 現在の合意を超えるトップ類似ペアを特性として識別することでコサイン類似度閾値をAUC-ROCで決定し表現を拡張。

実験結果

リサーチクエスチョン

• RQ1 AI支援表現推奨はスタッフと教員の採用レベルを人間主導プロセスと同等に到達できるか。
• RQ2 利害関係者を取り込んだSSAアプローチは表層のテキスト類似性を越える意味的整合を改善するか。
• RQ3 信頼性閾値を用いたSSAで表現機会をどれだけ拡張できるか。
• RQ4 SSAに導かれた埋め込みは教科内容の真の分野的内容で整合するか、用語の重複だけでないか。

主な発見

• 基線推奨のスタッフ採用率: 63.25%、教員採用率: 59.21%。
• SSAは埋め込みのrecall@1を最大0.764、recall@5を最大0.928まで改善（OpenAI+SSA with Course2vecが最も高い）。
• SSAはSUNY全体のCIPコードのコースの分散を低減させ、システム全体の平均半径を0.038、機関ごとの平均半径を0.023低減。
• 46のCIPカテゴリ全体でSSAは分散を45カテゴリ（システム全体）で低減し、多くの機関で分散低減を示す。
• SSAとOpenAI埋め込みを用いると、類似閾値を超える追加の表現ペアが2,787,526件追加（既存の合意を17.8倍上回る）。
• SSAはNLPのみのベースラインに対して平均で121.0%の改善寄与を示し、Course2vecでさらに約15.3%の追加利益を提供。