Nguồn tham khảo: Nagy, M., & Molontay, R. (2024). Interpretable Dropout Prediction: Towards XAI-Based Personalized Intervention. International Journal of Artificial Intelligence in Education, 34(2), 274–300. https://doi.org/10.1007/s40593-023-00331-8
Truy cập toàn văn: https://doi.org/10.1007/s40593-023-00331-8
Tóm tắt nội dung
Nagy và Molontay (2024) bàn về dự báo bỏ học có khả năng giải thích trong giáo dục đại học khối STEM, nơi bỏ học gây tổn thất xã hội và kinh tế lớn. Học máy đã được dùng nhiều để nhận diện sớm sinh viên có nguy cơ, nhưng ít nghiên cứu khai thác học máy diễn giải được (IML) và trí tuệ nhân tạo giải thích được (XAI). Với dữ liệu của một trường đại học công lập lớn ở Hungary, các tác giả cho thấy mô hình phức tạp như CatBoost nhận diện hiệu quả sinh viên có nguy cơ chỉ từ các chỉ số thành tích trước khi nhập học, nhưng khó diễn giải.
Họ dùng độ quan trọng hoán vị (permutation importance), đồ thị phụ thuộc riêng phần (PDP), LIME và giá trị SHAP để giải thích dự báo ở cấp toàn cục lẫn cấp từng sinh viên. Giải thích từng dự báo mở ra khả năng can thiệp cá nhân hóa, như gợi ý đúng khóa học bổ trợ hoặc buổi phụ đạo. Bài báo cũng báo cáo một nghiên cứu người dùng về việc các bên liên quan trong giáo dục đại học có thấy những công cụ này dễ hiểu và hữu ích không.
Với bài toán cảnh báo sớm, tài liệu là tham chiếu trực tiếp cho việc dùng SHAP: mô hình chỉ có ích khi cán bộ tư vấn hiểu vì sao một sinh viên bị gắn cờ và nên hỗ trợ theo hướng nào.
Luận điểm liên quan trong bài viết chính
Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Nagy và Molontay (2024) dùng hoán vị, đồ thị phụ thuộc từng phần, LIME và SHAP trên dữ liệu một trường đại học công lập Hungary, và nhấn mạnh rằng giá trị lớn nhất của giải thích từng cá nhân là gợi ý can thiệp phù hợp, như học phần bổ trợ hay buổi phụ đạo, chứ không phải chứng minh nhân quả.
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