本科申请录取预测：一种可解释的深度学习方法
机器学习
2024-01-23 v1 人工智能
摘要
本文解决了验证本科招生委员会决策的挑战。近年来，传统的审查流程难以处理海量的申请人数据。此外，这种传统评估往往导致人为偏见，从而可能在申请人中产生歧视。虽然存在旨在验证申请审查员定量评估的经典机器学习方法，但这些方法缺乏可扩展性，并且在处理大量数据时存在性能问题。在此背景下，我们提出了基于深度学习的分类器，即前馈神经网络和输入凸神经网络，以克服现有方法面临的挑战。此外，我们通过引入一个可解释性模块（即 LIME）为我们的模型提供了额外的见解。我们的训练和测试数据集包含具有广泛变量和信息的申请人数据。与表现最好的传统机器学习方法相比，我们的模型准确率提高了显著的 3.03\%。此外，我们利用 LIME 技术展示了不同特征的敏感性及其对整体录取决定的相对影响。
引用
@article{arxiv.2401.11698,
title = {Admission Prediction in Undergraduate Applications: an Interpretable Deep Learning Approach},
author = {Amisha Priyadarshini and Barbara Martinez-Neda and Sergio Gago-Masague},
journal= {arXiv preprint arXiv:2401.11698},
year = {2024}
}
备注
This paper has been accepted for Transdisciplinary AI 2023 conference