一种规范性学习分析框架：超越预测建模，基于规范性分析与 ChatGPT 的可解释 AI
机器学习
2023-06-26 v2 人工智能
计算机与社会
摘要
学习分析领域近期大量研究聚焦于利用机器学习方法预测有风险的学生，以便及时干预从而提高保留率和完成率。这些研究绝大多数以预测科学为总体特征。预测分析中关于解释模型内部机制并向利益相关者说明个案预测结果的部分在很大程度上被忽视了。此外，尝试采用数据驱动的规范性分析为有风险学习者自动生成基于证据的补救建议的工作尚处于起步阶段。可解释 AI (XAI) 是近来兴起的领域，提供前沿工具以支持透明预测分析以及为有风险学生生成定制建议的技术。本研究提出一种新颖框架，统一了透明机器学习与实现规范性分析的技术，同时集成了大语言模型的最新进展。本工作使用识别未完成课程的有风险学习者的预测模型实际演示了所提框架。研究进一步通过两个案例展示如何以规范性分析增强预测建模，从而利用 ChatGPT 为风险群体生成人类可读的规范性反馈。
引用
@article{arxiv.2208.14582,
title = {A Prescriptive Learning Analytics Framework: Beyond Predictive Modelling and onto Explainable AI with Prescriptive Analytics and ChatGPT},
author = {Teo Susnjak},
journal= {arXiv preprint arXiv:2208.14582},
year = {2023}
}
备注
revision of the original paper to include ChatGPT integration