基于偏差缓解多任务模型的学生课堂参与度自动评估
机器学习
2025-10-28 v1 人工智能
计算机与社会
摘要
随着在线和虚拟学习的兴起，监控和提升学生参与度已成为有效教育的重要方面。传统方法直接应用于虚拟环境进行学生参与度评估可能并不适用。在本研究中，我们聚焦于此问题，致力于开发自动系统以检测学生在线学习期间的参与度水平。我们提出一种新型训练方法，可阻止模型利用性别等敏感特征进行预测。该方法不仅有助于执行伦理标准，还可提升模型预测的可解释性。我们应用属性正交正则化技术于分割模型分类器，该分类器使用多种迁移学习策略以实现有效减少敏感群体预测分布差异。实验结果显示，未缓解模型的Pearson相关系数为0.897，缓解后模型的Pearson相关系数达到0.999。该项目的源代码可在 https://github.com/ashiskb/elearning-engagement-study 查阅。
引用
@article{arxiv.2510.22057,
title = {Automatic Assessment of Students' Classroom Engagement with Bias Mitigated Multi-task Model},
author = {James Thiering and Tarun Sethupat Radha Krishna and Dylan Zelkin and Ashis Kumer Biswas},
journal= {arXiv preprint arXiv:2510.22057},
year = {2025}
}
备注
13 pages, 12 figures, and 1 table