AI Research Hub
Quay về trang chủ
Tài liệu

Riazy, Simbeck & Schreck (2020) — Fairness in Learning Analytics: Student At-risk Prediction in Virtual Learning Environments

28 tháng 9, 20262 lượt xemTác giả: Trần Đắc Lộc

Riazy, Simbeck và Schreck (2020) nhận thấy nghiên cứu về công bằng thuật toán phát triển nhanh nhưng chưa thực sự đi vào giáo dục, cụ thể là phân tích học tập. Bài báo xem xét những hình thức phân……

Nguồn tham khảo: Riazy, S., Simbeck, K., & Schreck, V. (2020). Fairness in Learning Analytics: Student At-risk Prediction in Virtual Learning Environments. In Proceedings of the 12th International Conference on Computer Supported Education (tr. 15–25). https://doi.org/10.5220/0009324100150025

Truy cập toàn văn: https://doi.org/10.5220/0009324100150025


Tóm tắt nội dung

Riazy, Simbeck và Schreck (2020) nhận thấy nghiên cứu về công bằng thuật toán phát triển nhanh nhưng chưa thực sự đi vào giáo dục, cụ thể là phân tích học tập. Bài báo xem xét những hình thức phân biệt đối xử có thể xảy ra, cùng các cách đo lường và bảo đảm công bằng trong môi trường học tập ảo (VLE). Các tác giả dự báo kết quả khóa học của sinh viên trên một bộ dữ liệu VLE và phân tích kết quả dưới góc độ công bằng.

Từ đó, họ khuyến nghị hai thước đo nên dùng để kiểm tra dữ liệu học tập ngay từ trước khi phân tích, nhằm bảo đảm dữ liệu cân đối và đủ điều kiện cho các bước tiếp theo. Phần tóm tắt không nêu tên hai thước đo hay con số cụ thể, nên cần đọc toàn văn trước khi áp dụng. Cách tiếp cận này đưa một phần việc bảo đảm công bằng lên khâu đầu: trước khi huấn luyện, cần xem các nhóm sinh viên có được đại diện tương xứng trong dữ liệu hay không.

Với bài toán phát hiện sinh viên có nguy cơ bỏ học, tài liệu nhắc rằng thiên lệch có thể bắt nguồn từ chính dữ liệu đầu vào, nên rà soát dữ liệu theo từng nhóm sinh viên trước cả khi chọn thuật toán và ngưỡng cảnh báo.


Luận điểm liên quan trong bài viết chính

Trong bài viết chính, tài liệu này được dẫn để làm rõ nhận định sau: Riazy, Simbeck và Schreck (2020) khuyến nghị kiểm tra độ cân bằng của dữ liệu học tập theo nhóm ngay từ trước khi phân tích. [Phân tích của tác giả] Với các trường Việt Nam, những lát cắt nên kiểm tra tối thiểu gồm: giới tính, vùng miền (thành thị/nông thôn, miền núi), dân tộc, diện chính sách, phương thức tuyển sinh, và hệ đào tạo (chính quy, vừa làm vừa học, từ xa).

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

Chia sẻ:

Bình luận

Đang tải bình luận...