基于MADD指标的预测学生模型公平性后处理方法

预测学生模型正在被广泛应用于学习环境中。然而，由于其使用社会影响的日益增长，这些模型在预测准确性和公平性方面都显得尤为重要。为了评估算法公平性，教育领域开发了一种新指标，即模型绝对密度距离（MADD）。该指标能够衡量预测模型在两个学生群体之间的行为差异，以量化其算法不公平性。本文因此发展了一种基于该指标的后处理方法，旨在提高公平性的同时保持相关预测模型结果的准确性。我们在预测在线课程中学生成功的任务上进行实验，采用模拟数据和真实世界教育数据，取得了成功结果。我们的源码和数据已在开放访问处提供，地址为 https://github.com/melinaverger/MADD。