计算机科学教育中的基率忽略

机器学习（ML）算法在许多学术与工业应用中的重要性日益增加，因此这类算法正成为计算机科学课程中的常见组成部分。学习 ML 具有挑战性，不仅因为其复杂的数学与算法层面，还因为 a) 在真实情境下正确使用这些算法的复杂性，以及 b) 对相关社会与伦理问题的理解。认知偏差是人脑的现象，可能导致错误感知与非理性决策过程。因此，它们在认知心理学与决策领域已被充分研究；然而，它们对计算机科学教育也具有重要影响。Kahneman 和 Tversky 首次描述的一种著名认知偏差是基率忽略偏差，根据此偏差，人类在评估条件概率时未能考虑底层现象的基率。本文探讨基率忽略偏差在 ML 教育中的表现。具体而言，我们表明在一门 ML 导论课程中，约三分之一来自不同背景（计算机科学学生与教师、数据科学、工程、社会科学与数字人文）的学生因基率忽略偏差而未能正确评估 ML 算法性能。这一失败率应引起教育者警觉，并推动开发教授 ML 算法性能的新教学方法。