第二语言习得中的公平知识追踪
人机交互
2024-12-25 v1 人工智能
计算机与社会
机器学习
摘要
在第二语言习得中，预测建模有助于教育者实施多样化的教学策略，引起广泛关注。然而，尽管模型准确率受到广泛关注，模型公平性却未得到充分考察。模型公平性确保不同群体的公平对待，防止基于性别、族群或经济背景等属性的意外偏见。公平的模型应产生无偏见的结果，不系统性地不利于任何群体。本研究评估了两个预测模型的公平性，这两个模型分别使用Duolingo数据集中的en_es（英语学习者学习西班牙语）、es_en（西班牙语学习者学习英语）和fr_en（法语学习者学习英语）轨道。我们分析：1. 跨平台（iOS、Android、Web）的算法公平性。2. 开发国家和发展中国家之间的算法公平性。关键发现包括：1. 深度学习在第二语言知识追踪中优于机器学习，因其提高的准确率和公平性。2. 两个模型都偏好移动用户而非非移动用户。3. 机器学习在发展中国家方面的偏差高于深度学习。4. 深度学习在en_es和es_en轨道中在公平性和准确率之间取得更好的平衡，而机器学习更适合fr_en轨道。本研究凸显了在跨平台和跨地区确保教育策略公平性的重要性。
引用
@article{arxiv.2412.18048,
title = {Fair Knowledge Tracing in Second Language Acquisition},
author = {Weitao Tang and Guanliang Chen and Shuaishuai Zu and Jiangyi Luo},
journal= {arXiv preprint arXiv:2412.18048},
year = {2024}
}