面向菲律宾学生学业绩预测模型的算法偏见评估
机器学习
2024-07-16 v2 计算机与社会
摘要
算法偏见是教育背景下机器学习模型的一个主要问题。然而，亚洲学习背景下的算法偏见尚未得到充分研究，且仅限于考虑区域（次国家）背景。为弥合这一差距，本文考察了菲律宾大型大学校园内 5,986 名学生的群体，探讨基于学生区域背景的算法偏见问题。该校使用 Canvas 学习管理系统（LMS）进行在线课程，覆盖广泛的领域。为期三个学期，我们收集了学生在 Canvas 中的 4870 万条活动日志记录。我们利用这些日志训练二元分类模型，从 LMS 活动中预测学生的成绩。最佳模型达到 AUC 为 0.75，加权 F1 分数为 0.79。随后，我们针对学生区域背景对数据进行偏见分析。采用 AUC、加权 F1 分数和 MADD 三项指标评估，结果在所有人口统计学群体中均表现一致。因此，在成绩预测中未发现针对特定学生群体的不公平现象。
引用
@article{arxiv.2405.09821,
title = {Evaluating Algorithmic Bias in Models for Predicting Academic Performance of Filipino Students},
author = {Valdemar Švábenský and Mélina Verger and Maria Mercedes T. Rodrigo and Clarence James G. Monterozo and Ryan S. Baker and Miguel Zenon Nicanor Lerias Saavedra and Sébastien Lallé and Atsushi Shimada},
journal= {arXiv preprint arXiv:2405.09821},
year = {2024}
}
备注
Published in proceedings of the 17th Educational Data Mining Conference (EDM 2024)