数学教学中的效用保留去识别：调查 MathEd-PII 数据集中的数值歧义
计算与语言
2026-05-11 v2
摘要
大规模共享对话数据是推动教育科学发展的关键，但严格的去识别仍是一个主要障碍。在数学教学录音中，数值表达式常常类似于结构化标识符（例如日期或 ID），导致通用的个人可识别信息（PII）检测系统对核心教学内容进行过度屏蔽，从而降低数据效用。本工作询问如何在保持教育效用的前提下检测 PII，聚焦于此“数值歧义”问题。我们引入 MathEd-PII，这是首个针对数学教学对话中 PII 检测的基准数据集，由人类在回路中的 LLM 注释构建。使用基于密度的分段，我们显示，错误的 PII 重映射在数学密集区域聚集，确认数值歧义是关键的失效模式。我们随后比较四种检测策略：Presidio 基线和三个基于 LLM 的方法，分别采用基本、数学感知和分段感知的提示。领域感知的提示，包括两种数学感知（F1：0.802）和分段感知版本（F1：0.821），均显著优于基线（F1：0.379），同时减少了数值错误的误报，表明去识别必须包含领域上下文才能保留分析效用。本工作提供了一个新的基准，并提供了证据，表明为教育数据进行效用保留的去识别需要包含领域建模。
引用
@article{arxiv.2602.16571,
title = {Utility-Preserving De-Identification for Math Tutoring: Investigating Numeric Ambiguity in the MathEd-PII Benchmark Dataset},
author = {Zhuqian Zhou and Kirk Vanacore and Bakhtawar Ahtisham and Jinsook Lee and Doug Pietrzak and Daryl Hedley and Jorge Dias and Chris Shaw and Ruth Schäfer and René F. Kizilcec},
journal= {arXiv preprint arXiv:2602.16571},
year = {2026}
}