教育中的隐私保护个性化：一种用于学生表现预测的联邦推荐系统
机器学习
2025-11-12 v3 人工智能
计算机与社会
计算机科学中的逻辑
摘要
教育日益数字化为数据驱动的个性化提供了前所未有的机遇，但也给学生数据隐私带来了重大挑战。传统的推荐系统依赖于集中式数据，这种范式通常与现代数据保护法规不相容。本文提出并评估了一种新颖的隐私保护推荐系统，该系统利用联邦学习（FL）来解决这一关键问题。该方法使用一个深度神经网络（DNN），并利用来自大规模 ASSISTments 教育数据集的丰富工程化特征。我们对联邦聚合策略进行了严格的比较分析，发现 FedProx 在处理异构学生数据方面是一种比标准 FedAvg 基线显著更稳定、更有效的方法。优化后的联邦模型取得了 76.28% 的高性能 F1 分数，相当于强大的集中式 XGBoost 模型性能的 92%。这些发现验证了联邦方法可以在不集中敏感学生数据的情况下提供高效的推荐。因此，我们的工作为现代教育平台中的个性化与隐私困境提供了一个可行且鲁棒的解决方案。
引用
@article{arxiv.2509.10516,
title = {Privacy-Preserving Personalization in Education: A Federated Recommender System for Student Performance Prediction},
author = {Rodrigo Tertulino and Ricardo Almeida},
journal= {arXiv preprint arXiv:2509.10516},
year = {2025}
}