面向教育模型的跨机构迁移学习：对模型性能、公平性与公平性的启示

现代机器学习日益支持多机构（训练期间使用来自多个机构的数据）或跨机构（使用来自多个机构的模型进行推理）范式，但这些范式的实证效应尚不明晰。本研究通过高等教育中的实证案例研究考察跨机构学习。我们提出一种框架与度量指标，用于评估跨机构迁移的学生辍学预测模型的效用与公平性。我们考察了在现实数据与模型共享约束下的跨机构迁移可行性，量化了交叉性学生身份的模型偏差，刻画了由这些偏差导致的潜在差异影响，并研究了多种跨机构集成方法对公平性与整体模型性能的影响。我们在代表四所大学每年逾 200,000 名注册学生的数据上开展分析，且机构间不共享训练数据。我们发现，简单的零样本跨机构迁移过程可取得与本地训练模型相当的性能，且不牺牲模型公平性。我们还发现，相较于本地模型或我们所测试的零样本迁移过程，堆叠集成未带来整体性能或公平性的额外收益。在数十种模型与迁移方案评估中，我们未发现准确性—公平性权衡的证据。我们的审计流程亦凸显了交叉性公平分析的重要性，揭示了在敏感身份群体交叉处被一维分析所掩盖的性能差异。