可解释提升机实现可信学术风险预测与自动教育问题难度控制
在教育领域,学术风险预测和自动生成不同难度的教育问题是两个重要的研究方向。可解释提升机(EBM)在学术风险预测中展现出了良好的性能,而可控的数学文字问题(MWP)生成方法则为教育工作者提供了新的工具。
可解释提升机在学术风险预测中的应用
- 特征重要性 :EBM在预测第20周学生辍学情况时,对部分特征的平均重要性得分如下表所示:
| 特征 | 平均重要性得分 |
| — | — |
| 迟到情况 | 0.667 |
| 测验好奇心 | 0.422 |
| 评估覆盖度 | 0.414 |
| 规律性:模块计数 | 0.366 |
| 子页面好奇心 | 0.234 |
从这些数据可以看出,迟到情况对预测学生辍学的影响相对较大。这与我们的教学认知相符,例如老师如果发现学生经常交作业迟到,就会格外关注该学生,因为其可能存在辍学或不及格的风险。
-
模型可解释性 :EBM在推理时使用特征函数和成对特征交互热图作为查找表,默认提供了访问特征重要性的可能性。以“迟到情况”这一特征为例,当迟到率非常低(低于0.2)时,模型给出 -1 的分数,倾向于非风险类别(即标签 0);当迟到率高时,分数为正,整体预测倾向于风险类别(即标签 1)。这表明使用EBM结合在线学习行为数据可以进行可解释且合理的预测,为学生和教师提供支持。
-
模型性能评估
超级会员免费看
订阅专栏 解锁全文

被折叠的 条评论
为什么被折叠?



