基于BERT的课程 articulation matrix 构建方法：一种可解释人工智能方法
机器学习
2024-11-22 v1 人工智能
计算机与社会
摘要
课程结果（CO）和项目结果（PO）/项目特定结果（PSO）之间的对齐是确保课程一致性和评估教育效果的关键任务。构建课程 articulation matrix（CAM），该矩阵量化了CO与PO/PSO之间的关系，通常涉及分配数值（0、1、2、3）以表示对齐程度。在本研究中，我们实验了来自BERT家族的四个模型：BERT Base、DistilBERT、ALBERT和RoBERTa，并使用多类分类来评估CO与PO/PSO对之间的对齐。我们首先评估了决策树、随机森林和XGBoost等传统机器学习分类器，然后应用迁移学习来评估预训练BERT模型的性能。为增强模型的可解释性，我们应用可解释人工智能技术，具体为局部可解释模型无关解释（LIME），以提供决策过程的透明度。我们的系统实现了98.66%的准确率、98.67%的精确率、98.66%的召回率和98.66%的F1分数。该工作表明，利用基于BERT的模型进行迁移学习可用于自动生成CAM，实现了高性能和可解释性在教育结果评估方面的应用。
引用
@article{arxiv.2411.14254,
title = {BERT-Based Approach for Automating Course Articulation Matrix Construction with Explainable AI},
author = {Natenaile Asmamaw Shiferaw and Simpenzwe Honore Leandre and Aman Sinha and Dillip Rout},
journal= {arXiv preprint arXiv:2411.14254},
year = {2024}
}
备注
26 pages, 9 figures