編集するか保持するか？教育対話の匿名化のための完全ローカルAIカスケード
教育対話は貴重だがセンシティブなリソースである。既存のアプローチはガバナンスと精度のトレードオフを強いる。本論文では、匿名化をオープンエンドなエンティティ認識から制約付きプライバシートリアージへと再定義する完全ローカルカスケードフレームワークを提案する。再現率優先の結合提案器が候補スパンを過剰生成し、文脈認識レビューアが二値の編集/保持決定を行う。数学指導トランスクリプトにおいて、最強のローカル構成はマクロF1 0.958を達成し、LLMのみのベースラインや商用APIを上回り、完全に単一のラップトップで動作する。
教育対話データは、真正な学習プロセスを捉える一方で、学生名などの個人識別情報（PII）も含むため、研究上有用であると同時にセンシティブなリソースです。さらに、カリキュラム用語と名前が混在するケース（例えば「Riemann」が実在の学生を指すのか数学的概念を指すのか）が多く、匿名化を難しくしています。既存のアプローチでは、商用大規模言語モデル（LLM）を使えば曖昧性を処理できますが、学生データを外部に送信する必要があり、データガバナンスの観点から問題があります。一方、ローカルの固有表現認識（NER）システムはデータ主権を維持できますが、カリキュラム用語まで過剰に編集してしまう欠点があります。
この課題に対し、Haocheng Zhang氏らの研究チームは、完全にローカルで動作するカスケードフレームワークを提案しました。このフレームワークは、匿名化を「すべてのエンティティを認識する」というオープンエンドなタスクから「限られた文脈の中でプライバシーに関わるかを判断する」という制約付きトリアージに再定義します。第1段階では、「再現率優先の結合提案器」が2つの軽量エンコーダと決定論的ルールを組み合わせ、PIIを含む可能性のあるテキスト区間を高再現率で過剰生成します。第2段階では、「文脈認識レビューア」が各候補区間について、周囲の対話や話者役割などの文脈情報を考慮し、「編集」または「保持」の二値判断を下します。
研究チームは、2つの大規模プラットフォームから得られた数学指導のトランスクリプトを用いて、3種類のレビューア構成を評価しました。比較対象として、同じ系統のLLMのみのベースラインと商用APIを使用しました。最も強力なローカル構成はマクロF1スコア0.958を達成し、LLMのみのベースライン（0.767）や商用API（0.706）を大きく上回りました。しかも、このシステムは一般的なノートパソコン一台で動作します。カリキュラム用語と個人名の曖昧性に特化したチャレンジセットでは、この構成の性能低下はわずか0.03 F1にとどまり、小規模なレビューア（0.19～0.25の低下）と比べて堅牢性が際立ちました。
これらの結果は、教育分野の匿名化においては、問題の定式化（カスケードフレームワークの設計）がモデルの規模よりも重要であることを示しています。このアプローチは、データプライバシーを保護しつつ高い精度を維持できるため、教育データの安全な共有に新たな可能性を開き、今後の標準的な手法となる可能性があります。