Nguồn tham khảo: Baranyi, M., Nagy, M., & Molontay, R. (2020). Interpretable Deep Learning for University Dropout Prediction. In Proceedings of the 21st Annual Conference on Information Technology Education (tr. 13–19). https://doi.org/10.1145/3368308.3415382
Truy cập toàn văn: https://doi.org/10.1145/3368308.3415382
Tóm tắt nội dung
Máté Baranyi, Marcell Nagy và Roland Molontay xuất phát từ thực tế là rời đại học sớm gây tổn thất lớn cho cá nhân và xã hội, còn ở Hungary, tỷ lệ bỏ học trong các chương trình cử nhân STEM cao hơn nhiều so với trung bình Liên minh châu Âu. Nhóm đặt mục tiêu dự báo kết quả học tập cuối cùng của sinh viên Đại học Công nghệ và Kinh tế Budapest, chỉ dựa trên dữ liệu có tại thời điểm nhập học.
Các tác giả dùng mạng nơ-ron sâu và cây tăng cường gradient (gradient boosted trees), rồi giải thích mô hình bằng độ quan trọng hoán vị (permutation importance) và giá trị SHAP. Mô hình học sâu tốt nhất đạt độ chính xác 72,4% và AUC 0,771, nhỉnh hơn một chút so với XGBoost, mô hình đối chứng hàng đầu cho dữ liệu dạng bảng. Như vậy, chỉ với thông tin lúc nhập học, mô hình phân biệt ở mức khá, và học sâu không bỏ xa cây tăng cường.
Phần tóm tắt của bài không nêu những đặc trưng nào được SHAP xếp hạng cao nhất. Đây là nghiên cứu trực tiếp cùng chủ đề với bài toán dự báo sinh viên bỏ học, cho thấy cách ghép một mô hình mạnh với SHAP để vừa dự báo vừa giải thích, đồng thời gợi ý mức hiệu năng có thể kỳ vọng khi phát cảnh báo ngay từ đầu khóa, lúc nhà trường chưa có điểm đại học.
Luận điểm liên quan trong bài viết chính
Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Trên dữ liệu bỏ học ở Hungary, Baranyi, Nagy và Molontay (2020) cũng dùng tầm quan trọng hoán vị và SHAP để diễn giải mô hình học sâu và XGBoost dự báo từ dữ liệu lúc nhập học. [Phân tích của tác giả] Trên giao diện cho cố vấn, nên hiển thị 2–3 lý do chính bằng lời, kèm 1–2 phương án "nếu… thì…" hành động được, và một dòng cảnh báo rằng đây là cách mô hình lập luận chứ không phải nguyên nhân đã được chứng minh.
Xem bài viết chính: Ứng dụng học máy phát hiện sinh viên có nguy cơ bỏ học: từ bài toán lớp thiểu số đến quyết định can thiệp