过度个性化：在线自适应算法中特征选择的重要性
人工智能
2023-09-07 v1 计算机与社会
摘要
数字教育技术有潜力定制学生体验并了解何种方式对何类学生有效，随着更多学生与之交互而改进技术。我们考量尝试发现如何个性化是否有代价，例如对个人信息适应可能延迟惠及所有学生之策略的采用。我们在使用多臂老虎机（MAB）算法学习向每位学生呈现何种版本教育技术的策略之背景下探讨这些问题，改变学生特征与结果间的关系以及算法是否知晓这些特征。通过仿真，我们证明当这些特征为学习最优动作所需时，纳入学生特征进行个性化可有益；在其他情景中，此纳入会降低老虎机算法性能。此外，纳入不需要的学生特征会系统性地不利于具有这些特征较不常见取值的学生。然而我们的仿真确实表明实时个性化在特定真实世界情景中有助益，并通过使用 ASSISTments 中已有实验结果的案例研究加以说明。总体而言，我们的仿真显示教育技术中的自适应个性化可为双刃剑：实时适应在某些情境中改善学生体验，但更慢的适应与潜在的歧视性结果意味着更个性化的模型并非总是有益。
引用
@article{arxiv.2309.02856,
title = {Getting too personal(ized): The importance of feature choice in online adaptive algorithms},
author = {ZhaoBin Li and Luna Yee and Nathaniel Sauerberg and Irene Sakson and Joseph Jay Williams and Anna N. Rafferty},
journal= {arXiv preprint arXiv:2309.02856},
year = {2023}
}
备注
11 pages, 6 figures. Correction to the original article published at https://files.eric.ed.gov/fulltext/ED607907.pdf : The Thompson sampling algorithm in the original article overweights older data resulting in an overexploitative multi-armed bandit. This arxiv version uses a normal Thompson sampling algorithm