迷失于翻译：重新构想教育中的机器学习生命周期
人工智能
2022-09-09 v1 计算机与社会
摘要
机器学习（ML）技术在教育中日益普遍，从预测学生辍学，到辅助大学招生，再到推动 MOOC 的兴起。鉴于这些新颖用途的快速增长，亟需考察 ML 技术如何支撑长期存在的教育原则与目标。本工作中，我们借助对教育专家访谈的定性洞见，阐明这一复杂图景。这些访谈包含对过去十年间发表于顶尖应用 ML 会议上的 ML for education（ML4Ed）论文的深入评估。我们的核心研究目标是批判性地审视这些论文所陈述或隐含的教育与社会目标，与其所解决的 ML 问题之间的契合程度。亦即，技术问题的表述、目标、方法与结果解释在多大程度上与手头的的教育问题相一致。我们发现存在跨学科鸿沟，并在 ML 生命周期的两个环节尤为显著：从教育目标到 ML 问题的表述，以及从预测到干预的转化。我们利用这些洞见提出一个扩展的 ML 生命周期，其亦可能适用于其他领域的 ML 使用。我们的工作加入了教育与 ML 研究中日益增长的元分析研究，以及对 ML 社会影响的批判性分析。具体而言，它填补了机器学习的 prevailing 技术理解与同学生及政策打交道的教育研究者视角之间的空白。
引用
@article{arxiv.2209.03929,
title = {Lost in Translation: Reimagining the Machine Learning Life Cycle in Education},
author = {Lydia T. Liu and Serena Wang and Tolani Britton and Rediet Abebe},
journal= {arXiv preprint arXiv:2209.03929},
year = {2022}
}
备注
29 pages, 1 figure, 2 tables. Supplementary material available upon request